大数据AI

贪心学院初级机器学习

笔者,最近参加的贪心科技的机器学习训练营。。。。。。。。

学习本是一个反复的过程。

竟然要我写笔记交作业,还要写在知乎。。。。。。。。

贪心学院初级机器学习

我知乎没文章啊啊啊啊

我赶紧找下之前写的博文

从简单的一元回归分析入门机器学习

用多元线性回归分析问题

机器学习概念

线性回归实例

机器学习入门之线性回归

你所在的公司在电视上做产品广告, 收集到了电视广告投入x(以百万为单位)与产品销售量y(以亿为单位)的数据. 你作为公司的数据科学家, 希望通过分析这些数据, 了解电视广告投入x(以百万为单位)与产品销售量y的关系.

假设x与y的之间的关系是线性的, 也就是说 y = ax + b. 通过线性回归(Linear Regression), 我们就可以得知 a 和 b 的值. 于是我们在未来做规划的时候, 通过电视广告投入x, 就可以预测产品销售量y, 从而可以提前做好生产和物流, 仓储的规划. 为客户提供更好的服务.

import pandas as pdimport numpy as npimport matplotlib.pyplot as pltfrom sklearn.linear_model import LinearRegression

data = pd.read_csv("data/Advertising.csv")

data.head()

TV sales 0 230.1 22.1 1 44.5 10.4 2 17.2 9.3 3 151.5 18.5 4 180.8 12.9

data.columns

Index(['TV', 'sales'], dtype='object')

通过数据可视化分析数据

plt.figure(figsize=(16, 8))plt.scatter(data['TV'], data['sales'], c ='black')plt.xlabel("Money spent on TV ads")plt.ylabel("Sales")plt.show()

训练线性回归模型

# 将pandas的Series变成numpy的ndarrayX = data['TV'].values.reshape(-1,1)y = data['sales'].values.reshape(-1,1)reg = LinearRegression()reg.fit(X, y)

LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None, normalize=False)

print('a = {:.5}'.format(reg.coef_[0][0]))print('b = {:.5}'.format(reg.intercept_[0]))print("线性模型为: Y = {:.5}X + {:.5} ".format(reg.coef_[0][0], reg.intercept_[0]))

a = 0.047537b = 7.0326线性模型为: Y = 0.047537X + 7.0326

可视化训练好的线性回归模型

predictions = reg.predict(X)plt.figure(figsize=(16, 8))plt.scatter(data['TV'], data['sales'], c ='black')plt.plot(data['TV'], predictions,c ='blue', linewidth=2)plt.xlabel("Money spent on TV ads")plt.ylabel("Sales")plt.show()

[外链图片转存失败(img-JgGwDudv-1562917224938)(output_11_0.png)]

假设公司希望在下一个季度投一亿元的电视广告, 那么预期的产品销量会是多少呢

predictions = reg.predict([[100])print('投入一亿元的电视广告, 预计的销售量为{:.5}亿'.format( predictions[0][0]) )

投入一亿元的电视广告, 预计的销售量为11.786亿

# 练习df = pd.read_csv('exercise/height.vs.temperature.csv')

df.head()

height temperature 0 0.0 12.834044 1 500.0 10.190649 2 1000.0 5.500229 3 1500.0 2.854665 4 2000.0 -0.706488

from sklearn.linear_model import LinearRegressionx = df['height'].values.reshape(-1, 1)y = df['temperature'].values.reshape(-1, 1)model= LinearRegression()model.fit(x,y)

LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None, normalize=False)

# 查看斜率和截距print(model.coef_)print(model.intercept_)

[[-0.00656953]][12.71850742]

# 查看数据plt.figure(figsize=(16, 8))plt.scatter(df['height'], df['temperature'], c ='black')plt.xlabel("heigth")plt.ylabel("temperature")plt.plot(df['height'],model.predict(df['height'].values.reshape(-1,1)))plt.show()

最后当然打广告啦啦啦

欢迎关注微信公众号毛利学python

Similar Posts

发表评论

邮箱地址不会被公开。 必填项已用*标注