线性回归 (Linear Regression)

1、机器学习分类

2、线性回归

线性回归（Linear Regression）是机器学习中最基础且广泛应用的算法之一。 线性回归 (Linear Regression) 是一种用于预测连续值的最基本的机器学习算法，它假设目标变量 y 和特征变量 x 之间存在线性关系，并试图找到一条最佳拟合直线来描述这种关系。

y = w * x + b

其中：

• y 是预测值
• x 是特征变量
• w 是权重 (斜率)
• b 是偏置 (截距) 线性回归的目标是找到最佳的 w 和 b，使得预测值 y 与真实值之间的误差最小。常用的误差函数是均方误差 (MSE)：

MSE = 1/n * Σ(y_i - y_pred_i)^2

其中：

• y_i 是实际值。
• y_pred_i 是预测值。
• n 是数据点的数量。

我们的目标是通过调整 w 和 b ，使得 MSE 最小化。

3、代码

概念理解费劲，我们直接上代码。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
# 生成一些随机数据
np.random.seed(0)
x = 2 * np.random.rand(100, 1)
y = 4 + 3 * x + np.random.randn(100, 1)
# 可视化数据
plt.scatter(x, y)
plt.xlabel('x')
plt.ylabel('y')
plt.title('Generated Data From Runoob')
plt.show()

运行结果