线性回归算法

1.本节重点知识点用自己的话总结出来，可以配上图片，以及说明该知识点的重要性

回顾机器学习分类：监督学习，半监督学习，无监督学习，强化学习

监督学习分为：回归，分类

回归分为：线性回归，Logistic回归

有监督：训练数据集必须是有标记，然后通过给定的训练数据和特定的算法去构造一个模型。

无监督：训练数据集没有标记，去寻找训练数据中隐藏的模式或者是对数据进行分组。

2.思考线性回归算法可以用来做什么？（大家尽量不要写重复）

 线性回归算法可以运用在许许多多地方上，比如生活上，我们需要去购物，就能运用该算法，把改价格相近的东西找出来。

3.自主编写线性回归算法 ，数据可以自己造，或者从网上获取。（加分题）

 

这是上学期做的作业，我预测了汽车的动力与其价格的关系。

print('201706120190')
print('陈志炜')
print('软件1702')
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
data = pd.read_csv('201706120190陈志炜.csv')
data.drop('尺寸',axis=1,inplace=True)
data['动力/马力']
for i in range(len(data['动力/马力'])):
    data['动力/马力'][i] = data['动力/马力'][i].split('马')[0]
data['耗油量/L']
for i in range(len(data['耗油量/L'])):
    data['耗油量/L'][i] = data['耗油量/L'][i].split('L')[0]
data['尾箱空间/L']
for i in range(len(data['尾箱空间/L'])):
    data['尾箱空间/L'][i] = data['尾箱空间/L'][i].split('L')[0]
for i in range(len(data['动力/马力'])-1):
    for j in range(i,len(data['动力/马力'])):
        if(data['动力/马力'][i]>data['动力/马力'][j]):
            count=data['动力/马力'][i]
            data['动力/马力'][i]=data['动力/马力'][j]
            data['动力/马力'][j]=count
            count1 = data['原价/万元'][i]
            data['原价/万元'][i] = data['原价/万元'][j]
            data['原价/万元'][j] = count1

# x=data['动力/马力']
# y=data['原价/万元']
x = data['动力/马力'].values
y = data['原价/万元'].values
x1 = x.reshape(len(x),1)
y1 = y.reshape(len(y),1)

from sklearn.linear_model import LinearRegression
clf = LinearRegression()
clf.fit(x1,y1)
pre = clf.predict(x1)

plt.scatter(x,y,s=100)
plt.plot(x,pre,'r-',linewidth=4)
for idx, m in enumerate(x):
    plt.plot([m,m],[y[idx],pre[idx]], 'g-')
plt.show()