如何用python的sklearn的機器學習，實現簡單線性回歸分析？

（本文為小白的練手文分享，大神請忽略，閱讀本文需7分鐘左右，請多指教點贊哈謝謝！）

俺村Python的sklearn庫提供了方便的機器學習演算法，能很快實現一個簡單的一元線性回歸，具體有以下幾個步驟：

1. 提出問題
2. 理解數據
3. 數據清洗
4. 構建模型
5. 評估

下面將根據一個簡單的案例，分析「學習時間」與「分數」之間的關係，兩者相關性如何？是否存在線性關係？回歸曲線的擬合度怎麼樣？

首先準備數據。

from collections import OrderedDictimport pandas as pd# 定義數據集examData={ 學習時間:[0.50,0.75,1.00,1.25,1.50,1.75,1.75,2.00,2.25, 2.50,2.75,3.00,3.25,3.50,4.00,4.25,4.50,4.75,5.00,5.50], 分數:[10, 22, 13, 43, 20, 22, 33, 50, 62, 48, 55, 75, 62, 73, 81, 76, 64, 82, 90, 93]}# 生產有序字典examDataOrder=OrderedDict(examData)# 生產pandas數據表examDF=pd.DataFrame(examDataOrder)# 列印前5行examDF.head()

1.提出問題

數據如上，簡單列印前5行，更直觀的看看是什麼樣子：

可以看出，這是由20行、2列構成的數據表，比較規整。對這個只有2個變數的數據，我想到的問題是，這倆之間有沒有聯繫？是否存在因果關係？進一步說，是否存在線性關係？

2，理解數據

2.1 查看相關係數R

如圖所示，相關係數R＝0.923985，說明相關程度很高。

2.2 繪製散點圖

由於examDF是個二維數據，且相關係數很高，此時可繪製散點圖，看看2個變數之間的相關關係和走勢。

如上圖所示，「學習時間」和「分數」呈現強烈的正相關的增長關係，下一步分析可考慮是否存在線性關係？若線性擬合，擬合優度怎麼樣？這是下一步的分析方向。

3，數據清晰

本例中的數據比較規整，經過上一步散點圖驗證，不需要數據清晰，略過。

4，構建模型

經過上一步的分析，兩者存在強烈的正相關模型，可考慮用sklenrn進行機器學習訓練，並構建一元線性回歸模型。

4.1 用train_test_split訓練數據

對原來的20個數據，按照8:2的比例進行了拆分，訓練數據train佔16個，測試數據test佔4個。

接下來繪製train_test散點圖，如下：

4.2 構建線性回歸模型

根據上面train_test_split得出來的訓練、測試數據，創建線性回歸模型並用train數據進行訓練：

然而卻出現了報錯：

報錯信息中顯示，需要一個2維的數據卻只得到了1維數組，下面的提示中說「如果只有1個特徵，請用reshape將數據形式改為（－1，1）的形式」，即只有1列的形式，如下：

如上所示，這回訓練模型成功了，接下來求最佳擬合線：

繪製最佳擬合線：

5，評估模型

決定係數R平方是檢驗回歸線擬合程度的重要指標，表示有多少的y波動可以由回歸線來描述，如下：

如上，模型model的決定係數R平方等於0.8，表示絕大多數的波動都可被描述，則表示回歸線的擬合度很高。

下面在一張圖上繪製訓練數據、測試數據和最佳擬合線，如下：

綜上，可得出分析結論：

（1）「學習時間」和「分數」具有強烈的正線性相關關係，相關係數約為0.92；

（2）兩者關係可以用函數「y=9.16062528319+15.96828274x」來進行預測，準確度為85%。

6.學習心得

1. 一定要一鼓作氣，中間不能停！否則又要重新開始。
2. 不能鑽牛角尖！遇到了一些不懂的應以當前需要為準，python的每個庫都有很多用法和功能，不可能一下全學會。逐次解決不懂的，以免被岔開而偏離了學習方向。
3. 寫一篇分享文的難度並不比學習本身小，一圈下來我發現寫總結也很難，所以請看到這兒的朋友一定要以我為戒，不要拖拉，一次寫完。
4. 「完成比完美更重要」，這句來自Facebook的話一直鼓舞著我。有時候按時完成了，比追求完美而拖拖拉拉的更重要。

推薦閱讀：