Deep Learning学习笔记-线性回归的简单实践

本篇文章中,我们用 Python 代码写个小程序,根据出生时的body mass index(BMI)数据,使用线性回归来预测寿命。在这之前,我们先准备一下建立这个模型所需要的必要工具。

在这个线性回归模型中,需要用到scikit-learn库的 LinearRegression class,这个 class 提供了fit()函数,它根据所输入的数据来匹配模型,以下是基本的使用方法:

>>> fromsklearn.linear_modelimportLinearRegression
>>> model = LinearRegression()
>>> model.fit(x_values, y_values)

上面的例子中,model 变量是线性回归的模型,x_values 和 y_values 作为训练数据输入,model 根据 x_values 和 y_values 进行调整。“调整”的意思是——找到一条最佳的“线”能够和训练数据进行匹配。之后我们就可以使用 predict() 函数进行预测。

>>> print(model.predict([ [127], [248] ]))
[[438.94308857,127.14839521]]

predict() 函数返回一个预测结果的数组,里面的元素就是预测的结果,分别对应输入数组中的元素。对于第一个输入——[127],返回的预测值为438.94308857,第二个输入——[248],返回的预测值为127.14839521。输入数组中的元素使用[127]格式,而不是127,是因为我们可以用多个数据的组合进行预测。以后我们会在线性回归中使用多个数据,现在我们先使用一个数据值。


实践
在这个实践中,我们会用到以下数据集:“各国家人的平均寿命” 和 “各国家男性的平均BMI”,这些数据来自 Gapminder

假设数据集存储在 “bmi_and_life_expectancy.csv” 文件中。这份数据包含三个字段:country(国家)、Life expectancy(寿命)、BMI(一个小孩出生时的BMI)。我们会根据BMI来预测寿命。

完整代码如下:

# 导入 pandas库 和 LinearRegression类
import pandas as pd
from sklearn.linear_model import LinearRegression

# 使用 pands 的 read_csv 函数把数据加载到 dataframe 中
#将 dataframe 赋值给 bmi_life_data 变量
bmi_life_data = pd.read_csv("bmi_and_life_expectancy.csv")

#使用 scikit-learn 的 LinearRegression 建立一个回归模型,并赋值给 bmi_life_model
bmi_life_model = LinearRegression()
bmi_life_model.fit(bmi_life_data[['BMI']], bmi_life_data[['Life expectancy']])

# 使用 21.07931这个 BMI 进行预测,并将结果赋值给 laos_life_exp 变量。
laos_life_exp = bmi_life_model.predict(21.07931)
print(laos_life_exp)

代码演示

print输出的就是预测后的结果60.31564716。


使用线性回归中时要注意
线性回归是基于一系列的假设,并不适用于所有的场景,有些问题你应该要注意。


线性回归适用于数据是线性的情况
线性回归是从训练数据中找到一条匹配的直线。如果训练数据中的数据之间的关系并不是线性的,那么你需要做一些调整(转换你的训练数据),或者使用其他类型的模型。

数据的关系是非线性的


线性回归对异常值敏感
线性回归尝试找到一条最匹配训练数据的直线。如果你的数据集中有一些极度偏差的数据(与一般的模式不匹配),会导致相差很大的结果。

下面的
![Uploading AA5DBE35-C653-4CC9-ACEC-B1B89CB565DF_605091.png . . .]
图,模型与数据匹配得非常好

数据与模型匹配度高

然而,添加了一些异常值之后(与模型不匹配),对模型的预测有很大的影响,如下图:

添加了异常值

通常,你希望一个模型能够匹配大多数的数据,但一定要注意这些异常值。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 151,829评论 1 331
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 64,603评论 1 273
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 101,846评论 0 226
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 42,600评论 0 191
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 50,780评论 3 272
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 39,695评论 1 192
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,136评论 2 293
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,862评论 0 182
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,453评论 0 229
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,942评论 2 233
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,347评论 1 242
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,790评论 2 236
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,293评论 3 221
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,839评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,448评论 0 181
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 34,564评论 2 249
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 34,623评论 2 249

推荐阅读更多精彩内容