1. 线性回归算法

在这里插入图片描述

2. 在Python中实现线性回归

那我们如何在Python中实现呢？
利⽤Python强⼤的数据分析⼯具来处理数据。
Numpy提供了数组功能，以及对数据进⾏快速处理的函数。Numpy还是很多⾼级扩展库的依赖，⽐如Pandas，Scikit_Learn等都依赖于它。
Scikit_Learn扩展库，这是⼀个机器学习相关的库。它提供了完善的机器学习⼯具箱，包括数据预处理、分类、回归、预测等。

2.1 安装sklearn⼯具

本⾸先进⼊到虚拟环境

cd ~/Desktop/env_space
source flask_env/bin/activate

使⽤pip⼯具安装flask

pip install scikit-learn==0.19.2
pip install numpy==1.16.3
pip install pandas==0.24.2
pip install scipy==1.2.1
pip install sklearn

2.2 sklearn的使⽤⽅式

导⼊线性回归模型，建⽴线性回归模型

from sklearn.linear_model import LinearRegression # 导⼊线性回归模型
regr = LinearRegression() # 建⽴线性回归模型

线性回归模型提供的接⼝：
regr.fit(X, Y) : 训练模型，可以理解为求出预测回归线
regr.predict(X_new) : 预测新样本

3. 示例使⽤

在这里插入图片描述

⽐如我们获取到的时间和房屋单价的数据如下：
X = [[1], [2], [3], [4], [6], [7], [9]] # 时间
Y = [6450.0, 7450.0, 8450.0, 9450.0, 11450.0, 15450.0, 18450.0] # 房屋单价
根据获取时间和房屋单价，预测未来时间的房屋单价

from sklearn.linear_model import LinearRegression # 导⼊线性回归模型
# 线性回归进⾏预测
def linear_model_main(X_parameters, Y_parameters, predict_value):
regr = LinearRegression() # 建⽴线性回归模型
regr.fit(X_parameters, Y_parameters) # 训练模型
predict_outcome = regr.predict(predict_value) # 预测新样本
return predict_outcome # 返回预测值
if __name__ == '__main__':
# 数据源 x是序号 y是值 预测y的过去和未来的值
X = [[1], [2], [3], [4], [6], [7], [9]]
Y = [6450.0, 7450.0, 8450.0, 9450.0, 11450.0, 15450.0, 18450.0]
predictvalue = 3
result = linear_model_main(X, Y, predictvalue)
# 预测值
print("Predicted value: ", result)