线性回归

最新推荐文章于 2025-08-11 19:56:42 发布

python-码博士

最新推荐文章于 2025-08-11 19:56:42 发布

阅读量100

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签：线性回归机器学习 python

本文链接：https://blog.csdn.net/m0_54634272/article/details/125609663

机器学习专栏收录该内容

13 篇文章

订阅专栏

博客围绕Python实现线性回归的机器学习展开，线性回归是机器学习中的重要算法，借助Python可高效实现该算法，在信息技术领域有广泛应用，能用于数据预测等场景。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import numpy as np
from matplotlib import pyplot as plt

# 定义训练数据
x = np.array([0.86, 0.96, 1.12, 1.35, 1.55, 1.63, 1.71, 1.78])
y = np.array([12, 15, 20, 35, 48, 51, 59, 66])

def fit(x,y):
    if len(x) != len(y):
        return
    numerator = 0.0
    denominator = 0.0
    x_mean = np.mean(x)
    y_mean = np.mean(y)

    for i in range(len(x)):
        numerator += (x[i]-x_mean)*(y[i]-y_mean)
        denominator += np.square(x[i]-x_mean)

    b0 = numerator / denominator
    b1 = y_mean-b0*x_mean

    return b0,b1

b0,b1 = fit(x,y)

def predit(x,b0,b1):
    return b0*x+b1


# 预测
x_test = np.array([0.75,1.08,1.26,1.51,1.6,1.67,1.85])
y_test = np.array([10,17,27,41,50,64,75])

y_predit = predit(x_test,b0,b1)


# 绘制图像
plt.plot(x,y,'k.')
plt.plot(x_test,y_predit,'g-')
yr = predit(x,b0,b1)

for idx,x in enumerate(x):
    plt.plot([x,x],[y[idx],yr[idx]],'r-')

print(predit(1.75,b0,b1))

plt.show()