赞
踩
大自然让我们回归到一定的区间范围之内;反过来说就是,有一个平均的水平,可以让突出的事物能向他靠拢。
回归是由达尔文(Charles Darwin)的表兄弟Francis Galton发明的。 Galton于1877年完成了第一次回归预测,目的是根据上一代豌豆种子(双亲)的尺寸来预测下一代豌豆种子(孩子)的尺寸。Galton在大量对象上应用了回归分析,甚至包括人的身高。他注意到,如果双亲的高度比平均高度高,他们的子女也倾向于比平均高度高,但尚不及双亲。孩子的高度向着平均高度回退(回归)。Galton在多项研究上都注意到这个现象,所以尽管这个英文单词跟数值预测没有任何关系,但这种研究方法仍被称作回归 。
那些高个子的后代的身高,有种回归到大众身高的趋势。 eg: 姚明身高2米26,叶莉身高1米90, 但是他们后代的身高是会逐渐回归到正常的身高水平。
销售量预测
制造缺陷预测。
预测名人的离婚率。
预测所在地区的房价。
线性:利用算法生成的模型是一条直线。
回归:让数据聚集到一个特定的模型中。
线性回归:如果模型是一条直线,就是让数据靠近这条直线。
预测步骤如下:
from sklearn.linear_model import LinearRegression
fit
方法:import numpy as np from sklearn.linear_model import LinearRegression #在线性模型中导入线性回归 X=np.array([1,2,3,4,5,6,7,8,9,10,11]).reshape(-1,1)#x从一维转为二维 Y=np.array([3,4,5,7,9,11,13,15,17,19,21])#Y:一维 #实例化对象 lin_reg= LinearRegression() #调用fit方法 训练模型找规律 lin_reg.fit(X,Y) #找到规律 截距与斜率 print(lin_reg.intercept_,lin_reg.coef_) #预测x=12对应的Y X_new=np.array([[12]]) #创建数组 print(lin_reg.predict(X_new)) 执行结果: 0.03636363636363171 [1.87272727] [22.50909091]
判断模型最优拟合方式
:损失函数使得损失函数最小的方法
:梯度下降法
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。