贪心学院机器学习第一讲–线性回归
3 人赞同了该文章
课程总结：
Part1：初步了解机器学习
机器学习中包含监督学习和非监督学习，其中监督学习：数据存在标签，对标签进行学习，生成算法模型，然后通过算法对输入进行分类或回归（即生成输出）
1、分类使用领域：垃圾邮件、手写字符识别、医疗图像症状诊断…（非黑即白）
2、回归使用领域：自动估价二手车、股票价格预测、预测天气、自动驾驶…（连续值）
非监督学习：数据中不存在标签，根据属性对对象进行聚类
监督学习和非监督学习的主要区别：对输出是否有预期
Part2：机器学习的流程：
1、数据获取
2、数据清洗
3、特征工程（提取特征）
4、数据预处理（数据范围、格式）
特征提取处理缺失数据（删除、估计补全；使用均值、中间值代替；使用众数；聚类）数据定标（归一化x=(x-xmin)/(xmax-xmin),即转为0-1、标准化x=(x-u)/c,均值为0方差为1）数据转换（One-Hot encoding：用数字表达输入）
5、选择机器学习模型
6、模型训练
7、模型调参（对模型进行优化，参数调整或者模型修改等，迭代调优）
8、模型部署（生产环境、运行代码）
Part3：线性回归（Linear Regression）：
例：做产品广告：电视广告投入x(百万)、产品销量y(亿)，估计x与y的关系。
假设两者为线性关系，y=ax+b
PS 常用库：
1、pandas 常用于读取数据并对数据进行处理
2、numpy 线性代数的计算
3、matplotlib 图表，对数据可视化（多用pyplot）
4、机器学习经典的算法库之一–sklearn（线性回归模型linear_model LinearReg-
ression）
'''评估广告投入量（亿元）与产品销量（百万）之间的线性关系'''# 1调包import pandas as pd #获取数据import numpy as np #对数据进行处理（计算）import matplotlib.pyplot as plt #可视化（图表）from sklearn.linear_model import LinearRegression#2打开文件并读取data = pd.read_csv(r'C:\Users\翟小翟\Desktop\Machine-Learning-master\1introduction\data/Advertising.csv')a = data.head #如果不传数字进去，则默认选取前8个print(a)b = data.columns #读取数据列表名print(b)#3画图plt.figure(figsize=(16, 8))plt.scatter(data['TV'], data['sales'], c='blue')plt.xlabel('Money spent on TV ads')plt.ylabel('Sales')plt.show#4对数据进行训练，生成模型x = data['TV'].values.reshape(-1, 1)y = data['sales'].values.reshape(-1, 1)reg = LinearRegressionreg.fit(x, y)#5输出参数值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]))#画图表predictions = reg.predict(x)plt.figure(figsize=(16, 8))plt.scatter(data['TV'], data['sales'], c='blue')plt.plot(data['TV'], predictions, c='red', linewidth=2)plt.xlabel('Money spent on TV ads')plt.ylabel('Sales')plt.show#进行预测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]))
输出结果：
作业：根据海拔预测气温'''调用需要使用的包'''import pandas as pd import numpy as npimport matplotlib.pyplot as pltfrom sklearn.linear_model import LinearRegression #1打开文件data = pd.read_csv(r'C:\Users\翟小翟\Desktop\Machine-Learning-master\1introduction\exercise\height.vs.temperature.csv')#2输出文件列名b = data.columns print(b) #3数据类型转换，训练数据x = data['height'].values.reshape(-1, 1) y = data['temperature'].values.reshape(-1, 1)
