數(shù)據(jù)集，機(jī)器學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)——數(shù)據(jù)集與代碼-機(jī)器學(xué)習(xí)文檔類資源-CSDN文庫(kù)

采用的是一元線性回歸模型

import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split# 載入數(shù)據(jù) data = np.genfromtxt('linear.csv', delimiter=',') # 畫圖 plt.scatter(data[1:,0],data[1:,1]) plt.title('Age Vs Quality (Test set)') plt.xlabel('Age') plt.ylabel('Quality') plt.savefig('葡萄酒數(shù)據(jù)的分布') plt.show()# 數(shù)據(jù)拆分 x_train, x_test, y_train, y_test = train_test_split(data[1:, 0], data[1:, 1], test_size = 0.3)# 1D->2D，給數(shù)據(jù)增加一個(gè)維度，主要是訓(xùn)練模型的時(shí)候，函數(shù)要求傳入2維的數(shù)據(jù) x_train = x_train[:, np.newaxis] x_test = x_test[:, np.newaxis]# 訓(xùn)練模型 model = LinearRegression() model.fit(x_train, y_train)# 訓(xùn)練集的散點(diǎn)圖 plt.scatter(x_train, y_train, color = 'b') # 模型對(duì)訓(xùn)練集的預(yù)測(cè)結(jié)果 plt.plot(x_train,model.predict(x_train), color ='r' , linewidth=5) # 畫表頭和xy坐標(biāo)描述 plt.title('Age Vs Quality (Training set)') plt.xlabel('Age') plt.ylabel('Quality') plt.savefig('訓(xùn)練集的回歸線') plt.show()# 測(cè)試集的散點(diǎn)圖 plt.scatter(x_test, y_test, color = 'b') # 模型對(duì)測(cè)試集的預(yù)測(cè)結(jié)果 plt.plot(x_test,model.predict(x_test), color ='r', linewidth=5) # 畫表頭和xy坐標(biāo)描述 plt.title('Age Vs Quality (Test set)') plt.xlabel('Age') plt.ylabel('Quality') plt.savefig('測(cè)試集的回歸線') plt.show()

葡萄酒的數(shù)據(jù)分布

?

總結(jié)

以上是生活随笔為你收集整理的机器学习项目实战——02回归算法之葡萄酒质量与时间的关系的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。