线性回归主要是拟合一个函数，能预测一个新的样本：
（1）数据集如下：
（2）预测值：feet=500
1 # * coding:utf8 * 2 import matplotlib.pyplot as plt 3 import pandas as pd 4 fr sklearn import linear_model 5 import os 6 oshdir("/Users/xxx/PycharmProjects/dataset/") 7 filename = "input_data.xlsx" 8 datafile = pd.read_excel(filename, index_col=u'ID') 9 # 获取数据 10 def get_data(datafile): 11 x_paramter = [] 12 y_paramter = [] 13 for feet,price in zip(datafile['feet'],datafile['price']): 14 x_paramter.append([float(feet)]) 15 y_paramter.append(float(price)) 16 return x_paramter,y_paramter 17 # 线性回归模型 18 def linear_model_main(x_paramter,y_paramter,predict_value): 19 # 创建线性回归对象 20 regr = linear_model.LinearRegression() 21 regr.fit(x_paramter,y_paramter) # 建立模型 22 predict_outce = regr.predict(predict_value) # 预测值 23 return regr.intercept_,regroef_,predict_outce # 返回截距、斜率、预测结果 24 # 显示线性拟合模型的结果 25 def show_linear_line(x_paramter,y_paramter): 26 regr = linear_model.LinearRegression() 27 regr.fit(x_paramter,y_paramter) 28 plt.scatter(x_paramter,y_paramter,color="blue") 29 x_new = [[0],[500]] # x轴长 30 plt.plot(x_new,regr.predict(x_new),color="red",linewidth=2) 31 plt.xlabel(u'Feet',color="green") 32 plt.ylabel(u'Price',color="green") 33 # plt.plot(label=u'数据图') 34 # plt.xticks(()) 35 # plt.yticks(()) 36 plt.ylim(2000,20000) 37 plt.xlim(0,500) 38 plt.show() 39 def main(): 40 X,Y = get_data(datafile) 41 print('X:',X) 42 print('Y:',Y) 43 predictvalue = [[500]] 44 intercept,coefficient,predict_value = linear_model_main(X,Y,predictvalue) 45 print("截距：",intercept) # b ( y=ax+b ) 46 print("斜率：",coefficient) # a 47 print("预测值：",predict_value) # y 48 show_linear_line(X,Y) 49 main()（3）输出：
（4）样本以及拟合的直线
上一篇：Qt 常见数据结构详解：从基本框架到实际应用
下一篇：Qt QList的用法
python
