线性回归原理及模型（广义线性模型线性回归）

实际上线性模型不是指某一个模型，而是一类模型。在机器学习领域里，常用的线性模型包括线性模型、邻回归、套索回归、逻辑回归和线性SVC。

第1个知识点：用Python表示一条直线y=0.5x 3

import numpy as np import matplotlib.pyplot as plt x=np.linspace(-5,5,10)#设置x是-5到5之间的等差数列 y=0.5*x 3 plt.plot(x,y,c='orange')#线条设置成橙色 plt.title("straight line")#设置图形的标题 plt.show()

第2个知识点：已知2个点的坐标（1，3）、（4，5）画一条直线

import numpy as np from sklearn.linear_model import LinearRegression x=[[1],[4]] y=[3,5] lr=LinearRegression().fit(x,y) z=np.linspace(0,5,20) plt.scatter(x,y,s=80) plt.plot(z,lr.predict(z.reshape(-1,1)),c='k') #穿过（1，3）、（4，5）点的直线方程 print('y={:.3f}'.format(lr.coef_[0]),'x',' {:.3f}'.format(lr.intercept_))#这个是y与x的表达式 plt.title("straight line") plt.show()

第3个知识点：已知3个坐标（1，3）、（4，5）、（3，3）画一条直线

#3个点的 import numpy as np from sklearn.linear_model import LinearRegression x=[[1],[4],[3]] y=[3,5,3] lr=LinearRegression().fit(x,y) z=np.linspace(0,5,20) plt.scatter(x,y,s=80) plt.plot(z,lr.predict(z.reshape(-1,1)),c='k') plt.title("straight line") plt.show() print("y={:.3f}".format(lr.coef_[0]),'x',' {:.3f}'.format(lr.intercept_))

第4个知识点：多个坐标点确定一条直线

#多个坐标 from sklearn.datasets import make_regression from sklearn.linear_model import LinearRegression import numpy as np x,y=make_regression(n_samples=50,n_features=1,n_informative=1,noise=50,random_state=1) reg=LinearRegression() reg.fit(x,y) z=np.linspace(-3,3,200).reshape((-1,1)) plt.scatter(x,y,c='b',s=60) plt.plot(z,reg.predict(z),c='k') plt.title("LinearRegression") plt.show() print("y={:.3f}".format(reg.coef_[0]),'x',' {:.3f}'.format(reg.intercept_))

以上是学习到的线性模型其中一种线性模型。用来回归数据，求系数还是很有用处的。比基本的回归方式。