Contoh Regresi Linear: Kaedah Meramalkan Pembolehubah Berterusan

Regression linear ialah algoritma pembelajaran mesin yang biasa digunakan untuk meramalkan hubungan linear antara pembolehubah berterusan dan satu atau lebih pembolehubah tidak bersandar. Artikel ini akan memperkenalkan cara regresi linear berfungsi dan menunjukkan proses ramalan melalui contoh dan kod Python.

1. Cara regresi linear berfungsi

Regression linear ialah algoritma pembelajaran diselia yang meramalkan nilai pembolehubah berterusan melalui set pembolehubah bebas (atau ciri). Dalam regresi linear mudah, hanya satu pembolehubah bebas meramalkan nilai pembolehubah bersandar dalam regresi linear berganda, terdapat berbilang pembolehubah bebas yang meramalkan nilai pembolehubah bersandar. Algoritma ini boleh digunakan untuk meramalkan nilai pembolehubah berterusan seperti harga rumah dan jualan. Dengan mencari garisan yang paling sesuai, regresi linear boleh memberikan ramalan dan penjelasan bagi pembolehubah bersandar.

Idea asas regresi linear adalah untuk meminimumkan ralat antara nilai ramalan dan nilai sebenar dengan mencari garis lurus yang paling sesuai. Garis lurus boleh dinyatakan dalam bentuk y=mx+b, di mana y mewakili pembolehubah bersandar, x mewakili pembolehubah bebas, m mewakili cerun, dan b mewakili pintasan.

Untuk mencari garis lurus yang sesuai, kami menggunakan kaedah kuasa dua terkecil. Idea teras kaedah ini adalah untuk mencari garis lurus yang meminimumkan jumlah jarak semua titik data ke garis lurus.

2. Contoh Regresi Linear

Sekarang mari kita lihat satu contoh. Kami ingin menggunakan regresi linear untuk meramalkan harga kawasan rumah. Kita boleh mengambil luas rumah sebagai pembolehubah tidak bersandar x dan harga sebagai pembolehubah bersandar y.

Pertama, kita perlu mengimport perpustakaan dan data yang diperlukan:

import numpy as np
import matplotlib.pyplot as plt

# 数据
x = np.array([70, 80, 100, 120, 150, 180, 200])
y = np.array([320, 360, 420, 480, 600, 720, 800])

Seterusnya, kita boleh melukis plot serakan data:

plt.scatter(x, y)
plt.xlabel('房屋面积（平方米）')
plt.ylabel('价格（万元）')
plt.show()

Seperti yang dapat dilihat dari kawasan rumah dan plot, harga Terdapat hubungan linear tertentu antara mereka. Kini kita boleh menggunakan regresi linear untuk memuatkan data dan meramalkan harga rakaman persegi rumah baharu.

from sklearn.linear_model import LinearRegression

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(x.reshape(-1, 1), y)

# 预测房屋面积为120平方米的价格
new_x = np.array([120])
predicted_y = model.predict(new_x.reshape(-1, 1))
print(predicted_y) # 输出 [452.85714286]

Kami menggunakan model LinearRegression daripada perpustakaan Scikit-learn untuk mencipta model regresi linear dan melatihnya menggunakan data latihan. Kemudian, kami menggunakan model itu untuk meramalkan harga rumah baharu dengan keluasan 120 meter persegi, dan hasil yang diramalkan ialah 452,857 yuan. .

3. Ringkasan

Artikel ini memperkenalkan prinsip kerja regresi linear dan menunjukkan cara menggunakan Python untuk ramalan regresi linear melalui contoh praktikal. Regresi linear ialah algoritma pembelajaran mesin yang mudah tetapi berkesan yang boleh digunakan untuk menyelesaikan banyak masalah praktikal, seperti ramalan harga perumahan, ramalan jualan, dsb. Dalam aplikasi praktikal, kita perlu memilih ciri dan model yang sesuai mengikut masalah tertentu, dan melakukan prapemprosesan data dan pengoptimuman model untuk mendapatkan hasil ramalan yang lebih baik.

Atas ialah kandungan terperinci Contoh Regresi Linear: Kaedah Meramalkan Pembolehubah Berterusan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!