Python 线性预测

%matplotlib inline # 引用 sklearn库,使用其中的线性回归模块 from sklearn import datasets, linear_model # train_test_split用来把数据集拆分为训练集和测试机 from sklearn.model_selection import train_test_split # 引用numpy库,主要用来计算 import numpy as np # 引用matplotlib库,主要用来作图 import matplotlib.pyplot as plt   # 创建数据集,把数据写入到numpy数组 data = np.array([[152,51],[156,53],[161,54],[163,53],         [168,57],[172,60],[176,62],[181,66],         [184,69],[188,72]]) # 打印出数据大小 print("The size of dataset is (%d,%d)"% data.shape) # X,y分别存放特征向量和标签. 注:这里使用了reshape(-1,1), 其主要的原因是 # data[:,0]是一维的数组(因为只有一个特征),但后面调用模型的时候对特征向量的要求 # 是矩阵的形式,所以这里做了reshape的操作。 x,y = data[:,0].reshape(-1,1), data[:,1] 
# 使用train_test_split函数把数据随机分为训练数据和测试数据。 训练数据的占比由 # 参数train_size来决定。如果这个值等于0.8,就意味着随机提取80%的数据作为训练集 x_train , x_test , y_train , y_test =train_test_split(x,y,train_size=0.8) 
# TODO 1. 请实例化一个线性回归的模型 # TODO 2. 在X_train,y_train上训练一个线性回归模型。 如果训练顺利,则regr会存储训练完成之后的结果模型 
regr = linear_model.LinearRegression()
regr.fit(x_train,y_train)# 在训练集上做验证,并观察是否训练得当,首先输出训练集上的决定系数R平方值 print ("Score for training data %.2f"% regr.score(x_train, y_train)) 
# 画训练数据 plt.scatter(x_train, y_train, color='red') # TODO 3. 画在训练数据上已经拟合完毕的直线 
# 画测试数据 plt.scatter(x_test, y_test, color='black') # 画x,y轴的标题 plt.xlabel('height (cm)') plt.ylabel('weight(kg)') plt.show() # 输出在测试集上的决定系数R平方值 print ("Score for testing data %.2f"%regr.score(x_test, y_test)) print ("Prediction for a person with height 180 is: %.2f"%regr.predict([[180]]))