这一节很简单，都是高中讲过的东西

简单线性回归：y=b0+b1x+ε。b1=（Σ（xi-x^–）（y_i-y^–））/Σ（xi-x^–）ˆ2       b₀=y^--b₁x^-    其中ε取 为均值为0的正态分布

多元线性回归差不多

我自己写了程序，练习一下面向对象编程

1 import numpy as np 2  3 class SimpleLinearRegression: 4     def __init__(self): 5         self.b0=0 6         self.b1=0 7  8     def fit(self,X,Y): 9         n=len(X)10         dinominator=0   #分母11         numeraor=0      #分子12         for i in range(0,n):13             numeraor+=(X[i]-np.mean(X))*(Y[i]-np.mean(Y))14             dinominator+=np.square((X[i]-np.mean(X)))15         self.b1=numeraor/float(dinominator)16         self.b0=np.mean(Y)-self.b1*np.mean(X)17         print("intercept:",self.b0,"   slope:",self.b1)18         print("y=",self.b0,"+",self.b1,"x")19     def predict(self,X):20         return self.b0+self.b1*X21 22 23 X=[1,3,2,1,3]24 Y=[14,24,18,17,27]25 26 SLR=SimpleLinearRegression()27 SLR.fit(X,Y)28 Y_predict=SLR.predict(6)29 print(Y_predict)

运行结果：

intercept: 10.0 slope: 5.0

y= 10.0 + 5.0 x

40.0

 

还有个多元线性回归的

1 from sklearn import datasets,linear_model 2  3 data=[[100,4,9.4],[50,3,4.8],[100,4,8.9],[50,2,4.2],[80,2,6.2],[75,3,7.4],[65,4,6],[90,3,7.6],[90,2,6.1]] 4 data=np.array(data) 5 print(data) 6  7 X=data[:,:2] 8 Y=data[:,-1] 9 #print(X,"\n",Y)10 11 regr=linear_model.LinearRegression()12 13 regr.fit(X,Y)14 15 print("coefficients:",regr.coef_)16 print("intercept",regr.intercept_)17 18 Xpred=[[102,6]]19 Ypred=regr.predict(Xpred)20 print(Xpred,"Ypred:",Ypred)

 

这都太简单了，不多解释了。

一个知识点：

如果自变量有离散数据的话，就用分类器中用过的方法，有几类就转化为几组数据，是则为1，否则为0

 

今天还系统的入门了一下numpy，和pandas。等有时间了把numpy，pandas，还有matplotlib都系统的学一下。很有用的。