机器学习-线性回归模型python demo

前言

  如果您觉得有用的话，记得给博主点个赞，评论，收藏一键三连啊，写作不易啊^ _ ^。
  而且听说点赞的人每天的运气都不会太差，实在白嫖的话，那欢迎常来啊!!!

---

机器学习-线性回归模型python demo

1. 准备工作

这里我主要使用的是LinearRegression ，
LinearRegression 是机器学习领域中常用的线性回归模型的实现类之一，可以在多种机器学习库（如Scikit-learn、TensorFlow等）中找到。

下载:

https://pypi.org/project/scikit-learn/#files

注意的是下载的时候要注意python版本和你要使用的环境，这里的环境是指arm，mac，X86等待。

下载之后安装:

pip install scikit_learn-0.24.2-cp39-cp39-manylinux2010_x86_64.whl
1

因为我安装过了，我就不安装了。

2. 实施

2.1. 准备样本数据

# 样本数据
import numpy as np
X = np.array([[120, 3], [110, 3], [200, 4], [220, 4], [90, 2]])
y = np.array([1500000, 1600000, 2000000, 1600000, 1100000])
1
2
3
4

样本数据说明示例:

# 样本数据
import numpy as np
X = np.array([[120, 3], [110, 3]])
y = np.array([1500000, 1600000])
1
2
3
4

120平方米，3室的房子 价格为150万
110平方米，3室的房子 价格为160万

2.2. 创建线性回归模型

model = LinearRegression()
model.fit(X, y)
1
2

2.3. 预测新的房价

# 预测新的房价
new_house = np.array([[210, 3]])  # 新房子的面积和卧室数量
predicted_price = model.predict(new_house)
print(f"预测的房价: {predicted_price[0]:,.2f}元")
1
2
3
4

执行结果:

3. 散点图、线形图 完整demo

# 线性回归模型
import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
import matplotlib

# 设置中文字体
matplotlib.rcParams['font.sans-serif'] = ['SimHei']  
matplotlib.rcParams['axes.unicode_minus'] = False 

# 样本数据
X = np.array([[120, 3], [110, 3], [200, 4], [220, 4], [90, 2]])
y = np.array([1500000, 1600000, 2000000, 1600000, 1100000])

# 创建线性回归模型
model = LinearRegression()
model.fit(X, y)

# 预测新的房价
new_house = np.array([[210, 3]])  # 新房子的面积和卧室数量
predicted_price = model.predict(new_house)
print(f"预测的房价: {predicted_price[0]:,.2f}元")

# 可视化
plt.figure(figsize=(8, 6))
plt.scatter(X[:, 0], y, color='blue')
plt.plot(X[:, 0], model.predict(X), color='red')
plt.xlabel('面积 (平方米)')
plt.ylabel('房价 (元)')
plt.title('房价预测')
plt.show()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

测试:


散点图:真实面积下的真实房价;
线性图:模型在给定面积下的预测房价；