1. sklearn模塊的線性回歸模型

    from sklearn import datasets, linear_model
    # 引入模型所在模塊。
    ………………

    regr = linear_model.LinearRegression()
    # 實例化模型。
    regr.fit(X_parameters,Y_parameters)
    # 為模型賦予數(shù)據(jù)X_parameters（訓練數(shù)據(jù)），Y_parameters（目標數(shù)據(jù)）。
    predict_outcome = regr.predict(predict_value)
    # 輸入生成預測數(shù)據(jù)需要的參數(shù)predict_value.
    predictions = {}
    predictions['intercept'] = regr.intercept_
    # 回歸模型的theta0參數(shù)
    predictions['coefficient'] = regr.coef_
    # 回歸模型的theta1參數(shù)
    predictions['predicted_value']=predict_outcome

我們可以發(fā)現(xiàn)，回歸模型需要的數(shù)據(jù)包括：

Paste_Image.png

所以，我們的任務是要找出X（訓練數(shù)據(jù)）和Y（目標值），X的輸入形式可以是數(shù)組或矩陣，Y只能是數(shù)組。

2. 分析整理訓練數(shù)據(jù)X和目標值Y。已知房屋平米數(shù)和價格的關系數(shù)據(jù)如下：

Paste_Image.png

用函數(shù)將input_data.csv中的數(shù)據(jù)讀出來：

def get_data(file_name):
    data = pd.read_csv(file_name)
    # 讀取csv文件的方法
    print data
    X_parameter = [ ]
    Y_parameter = [ ]
    for single_square_feet, single_price_value in zip(data['square_feet'],data['price']):
    # 通過列名調用數(shù)據(jù)。
        X_parameter.append([float(single_square_feet)])
        Y_parameter.append([float(single_price_value)])
    pdb.set_trace()
    return X_parameter,Y_parameter

下圖顯示，我們得到了想要的訓練數(shù)據(jù)X和目標值Y。

Paste_Image.png

3. 調用線性回歸模型

# Function for Fitting our data to linear model
def linear_model_main(X_parameters,Y_parameters,predict_value):
    # Create linear regression object
    pdb.set_trace()
    regr = linear_model.LinearRegression()
    regr.fit(X_parameters,Y_parameters)
    predict_outcome = regr.predict(predict_value)
    predictions = {}
    predictions['intercept'] = regr.intercept_
    predictions['coefficient'] = regr.coef_
    predictions['predicted_value']=predict_outcome
    return predictions

我們構造了字典： 'predictions' ，將模型輸出的 θ0（regr.intercept_） ,θ1（regr.coef_） 以及預測值都存儲在字典中。

Paste_Image.png

4. 檢驗一下線性回歸的擬合情況，將原有的數(shù)據(jù)點用藍色標記在圖中，求出對應X_parameters的每個估計值，將其用紅線連接起來。

# Function to show the results of linear fit model
def show_linear_line(X_parameters,Y_parameters):
    regr = linear_model.LinearRegression()
    regr.fit(X_parameters,Y_parameters)
    plt.scatter(X_parameters,Y_parameters,color='blue')
    plt.plot(X_parameters,regr.predict(X_parameters),color='red',linewidth=4)
    plt.xticks(())
    plt.yticks(())
    plt.show()cges/4225992-b20e17ea38bacb91.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)

Paste_Image.png

從直觀上看，擬合的直線不錯！

5.這里討論的情況是在一維的情況下進行的，也即只用一個自變量x（房屋的平米數(shù)），來估計房屋的價格。這里構造x數(shù)組還是比較簡單，那如果是多個變量（平米數(shù)、房間數(shù)等）又該怎么？我們可以同理處理，看下一集。

6.參考文獻：
http://dataconomy.com/2015/02/linear-regression-implementation-in-python/