1.機器學習

機器學習是人工智能 (AI)?和計算機科學的分支，專注于使用數據和算法來模仿人類學習的方式，逐漸提高其準確性。機器學習是不斷成長的數據科學領域的重要組成部分。 通過使用統計方法，對算法進行訓練，以進行分類或預測，揭示數據挖掘項目中的關鍵洞察。 然后，這些洞察可推動應用和業務中的決策，有效影響關鍵增長指標。 隨著大數據的持續擴大和增長，數據科學家的市場需求也水漲船高，要求他們協助確定最相關的業務問題，并隨后提供數據以獲得答案。

2.機器學習如何運作？

三個主要部分：決策過程，誤差函數，模型優化過程

決策過程：?通常，機器學習算法用于進行預測或分類。 算法可根據一些標簽化或未標簽化的輸入數據，生成有關數據中模式的估算。

誤差函數：?誤差函數用于評估模型的預測。 如果存在已知示例，那么誤差函數可以進行比較以評估模型的準確性。

模型優化過程：?如果模型能夠更好地擬合訓練集中的數據點，那么會調整權重以減少已知示例和模型估算之間的差異。 該算法將重復此評估并優化過程，自主更新權重，直到滿足精確性閾值為止。

3.線性回歸

回歸分析是用來評估變量之間關系的統計過程。用來解釋自變量X與因變量Y的關系。即當自變量X發生改變時，因變量Y會如何發生改變。
線性回歸是回歸分析的一種，評估的自變量X與因變量Y之間是一種線性關系。當只有一個自變量時，稱為簡單線性回歸，當具有多個自變量時，稱為多元線性回歸。在線性回歸中，數據使用線性預測函數來建模，并且未知的模型參數也是通過數據來估計。

4.波士頓房價----多元線性回歸程序

4.1.1 安裝sklearn鏡像

?4.1.2? 導入各種庫和包

?4.1.3? ?獲取各種所需要的數據

?4.1.4? 導出橫坐標的數據x

?4.1.5? 導出縱坐標的數據y

4.1.6? 線性回歸方程 完成機器學習六個步驟 1.導入數據 2.清洗數據 3.特征工程（提取有價值的數據）4.建模? 5.評估 6.可視化（畫圖）

?4.1.7? ?調用函數

?5.最后完整代碼及運行結果如下：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ sklearn #安裝鏡像

Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple/Note: you may need to restart the kernel to use updated packages.Requirement already satisfied: sklearn in d:\anaconda\lib\site-packages (0.0.post1)

from sklearn.datasets import load_boston #導入sklearn工具庫，獲取數據
from sklearn.model_selection import train_test_split #導入sklearn工具庫，數據處理
from sklearn.preprocessing import StandardScaler ?#導入sklearn工具庫，切分數據
from sklearn.linear_model import LinearRegression #導入線性回歸算法模型，特征工程——標準化
from sklearn.metrics import mean_squared_error ?#導入sklearn工具庫，模型評估
import pandas as pd #導入pandas庫
import numpy as np #導入numpy庫，均方誤差

data=load_boston()
data.keys() ? #獲取頁面中需要的數據

dict_keys(['data', 'target', 'feature_names', 'DESCR', 'filename', 'data_module'])

data.target ?#導出x的數據

array([24. , 21.6, 34.7, 33.4, 36.2, 28.7, 22.9, 27.1, 16.5, 18.9, 15. ,18.9, 21.7, 20.4, 18.2, 19.9, 23.1, 17.5, 20.2, 18.2, 13.6, 19.6,15.2, 14.5, 15.6, 13.9, 16.6, 14.8, 18.4, 21. , 12.7, 14.5, 13.2,13.1, 13.5, 18.9, 20. , 21. , 24.7, 30.8, 34.9, 26.6, 25.3, 24.7,21.2, 19.3, 20. , 16.6, 14.4, 19.4, 19.7, 20.5, 25. , 23.4, 18.9,35.4, 24.7, 31.6, 23.3, 19.6, 18.7, 16. , 22.2, 25. , 33. , 23.5,19.4, 22. , 17.4, 20.9, 24.2, 21.7, 22.8, 23.4, 24.1, 21.4, 20. ,20.8, 21.2, 20.3, 28. , 23.9, 24.8, 22.9, 23.9, 26.6, 22.5, 22.2,23.6, 28.7, 22.6, 22. , 22.9, 25. , 20.6, 28.4, 21.4, 38.7, 43.8,33.2, 27.5, 26.5, 18.6, 19.3, 20.1, 19.5, 19.5, 20.4, 19.8, 19.4,21.7, 22.8, 18.8, 18.7, 18.5, 18.3, 21.2, 19.2, 20.4, 19.3, 22. ,20.3, 20.5, 17.3, 18.8, 21.4, 15.7, 16.2, 18. , 14.3, 19.2, 19.6,23. , 18.4, 15.6, 18.1, 17.4, 17.1, 13.3, 17.8, 14. , 14.4, 13.4,15.6, 11.8, 13.8, 15.6, 14.6, 17.8, 15.4, 21.5, 19.6, 15.3, 19.4,17. , 15.6, 13.1, 41.3, 24.3, 23.3, 27. , 50. , 50. , 50. , 22.7,25. , 50. , 23.8, 23.8, 22.3, 17.4, 19.1, 23.1, 23.6, 22.6, 29.4,23.2, 24.6, 29.9, 37.2, 39.8, 36.2, 37.9, 32.5, 26.4, 29.6, 50. ,32. , 29.8, 34.9, 37. , 30.5, 36.4, 31.1, 29.1, 50. , 33.3, 30.3,34.6, 34.9, 32.9, 24.1, 42.3, 48.5, 50. , 22.6, 24.4, 22.5, 24.4,20. , 21.7, 19.3, 22.4, 28.1, 23.7, 25. , 23.3, 28.7, 21.5, 23. ,26.7, 21.7, 27.5, 30.1, 44.8, 50. , 37.6, 31.6, 46.7, 31.5, 24.3,31.7, 41.7, 48.3, 29. , 24. , 25.1, 31.5, 23.7, 23.3, 22. , 20.1,22.2, 23.7, 17.6, 18.5, 24.3, 20.5, 24.5, 26.2, 24.4, 24.8, 29.6,42.8, 21.9, 20.9, 44. , 50. , 36. , 30.1, 33.8, 43.1, 48.8, 31. ,36.5, 22.8, 30.7, 50. , 43.5, 20.7, 21.1, 25.2, 24.4, 35.2, 32.4,32. , 33.2, 33.1, 29.1, 35.1, 45.4, 35.4, 46. , 50. , 32.2, 22. ,20.1, 23.2, 22.3, 24.8, 28.5, 37.3, 27.9, 23.9, 21.7, 28.6, 27.1,20.3, 22.5, 29. , 24.8, 22. , 26.4, 33.1, 36.1, 28.4, 33.4, 28.2,22.8, 20.3, 16.1, 22.1, 19.4, 21.6, 23.8, 16.2, 17.8, 19.8, 23.1,21. , 23.8, 23.1, 20.4, 18.5, 25. , 24.6, 23. , 22.2, 19.3, 22.6,19.8, 17.1, 19.4, 22.2, 20.7, 21.1, 19.5, 18.5, 20.6, 19. , 18.7,32.7, 16.5, 23.9, 31.2, 17.5, 17.2, 23.1, 24.5, 26.6, 22.9, 24.1,18.6, 30.1, 18.2, 20.6, 17.8, 21.7, 22.7, 22.6, 25. , 19.9, 20.8,16.8, 21.9, 27.5, 21.9, 23.1, 50. , 50. , 50. , 50. , 50. , 13.8,13.8, 15. , 13.9, 13.3, 13.1, 10.2, 10.4, 10.9, 11.3, 12.3, 8.8,7.2, 10.5, 7.4, 10.2, 11.5, 15.1, 23.2, 9.7, 13.8, 12.7, 13.1,12.5, 8.5, 5. , 6.3, 5.6, 7.2, 12.1, 8.3, 8.5, 5. , 11.9,27.9, 17.2, 27.5, 15. , 17.2, 17.9, 16.3, 7. , 7.2, 7.5, 10.4,8.8, 8.4, 16.7, 14.2, 20.8, 13.4, 11.7, 8.3, 10.2, 10.9, 11. ,9.5, 14.5, 14.1, 16.1, 14.3, 11.7, 13.4, 9.6, 8.7, 8.4, 12.8,10.5, 17.1, 18.4, 15.4, 10.8, 11.8, 14.9, 12.6, 14.1, 13. , 13.4,15.2, 16.1, 17.8, 14.9, 14.1, 12.7, 13.5, 14.9, 20. , 16.4, 17.7,19.5, 20.2, 21.4, 19.9, 19. , 19.1, 19.1, 20.1, 19.9, 19.6, 23.2,29.8, 13.8, 13.3, 16.7, 12. , 14.6, 21.4, 23. , 23.7, 25. , 21.8,20.6, 21.2, 19.1, 20.6, 15.2, 7. , 8.1, 13.6, 20.1, 21.8, 24.5,23.1, 19.7, 18.3, 21.2, 17.5, 16.8, 22.4, 20.6, 23.9, 22. , 11.9])

data.data ?#導出y的數據

array([[6.3200e-03, 1.8000e+01, 2.3100e+00, ..., 1.5300e+01, 3.9690e+02,4.9800e+00],[2.7310e-02, 0.0000e+00, 7.0700e+00, ..., 1.7800e+01, 3.9690e+02,9.1400e+00],[2.7290e-02, 0.0000e+00, 7.0700e+00, ..., 1.7800e+01, 3.9283e+02,4.0300e+00],...,[6.0760e-02, 0.0000e+00, 1.1930e+01, ..., 2.1000e+01, 3.9690e+02,5.6400e+00],[1.0959e-01, 0.0000e+00, 1.1930e+01, ..., 2.1000e+01, 3.9345e+02,6.4800e+00],[4.7410e-02, 0.0000e+00, 1.1930e+01, ..., 2.1000e+01, 3.9690e+02,7.8800e+00]])

def linear_mode11(): ?#線性回歸：正規方程
? ? data =load_boston() ? #獲取數據
? ? x_train, x_test, y_train, y_test = train_test_split(data.data, data. target, random_state=22) ?#數據集劃分
? ? transfer= StandardScaler() ?#特征工程——標準化
? ? x_train=transfer.fit_transform(x_train)
? ? x_test=transfer.fit_transform(x_test)
? ? estimator=LinearRegression() ?#機器學習——線性回歸（正規方程）
? ? estimator.fit(x_train,y_train)
? ? y_predict=estimator.predict(x_test) ?#模型評估，獲取系數等值
? ? print("預測值為：\n",y_predict)
? ? print("模型中的系數為：\n",estimator.coef_)
? ? print("模型中的偏置為：\n",estimator.intercept_)
? ? error=mean_squared_error(y_test,y_predict) ? #評價，均方誤差
? ? print("誤差為:\n",error)
? ? return None

linear_mode11() ?#調用函數

預測值為：[28.14790667 31.30481159 20.5173895 31.4803076 19.01576648 18.2605842520.57439825 18.45232382 18.46065155 32.93661269 20.3603692 27.2488607114.81691426 19.20872297 37.01503458 18.32036009 7.71389628 17.5619694430.18543811 23.60655873 18.14917545 33.84385342 28.48976083 16.996704134.76065063 26.22246312 34.83857168 26.62310118 18.64402278 13.2115403730.37364532 14.70785748 37.18173708 8.88049446 15.06699441 16.145021687.19990762 19.17049423 39.56848262 28.23663 24.62411509 16.7518283337.84465582 5.71770376 21.21547924 24.63882018 18.8561516 19.9341667215.19839712 26.29892968 7.4274177 27.14300763 29.18745146 16.278958547.99799673 35.46394958 32.38905222 20.83161049 16.41464618 20.8714178322.92150844 23.60828508 19.32245804 38.33751529 23.87463642 18.9849406612.63480997 6.12915396 41.44675745 21.08894595 16.27561572 21.4854686140.74502107 20.4839158 36.82098808 27.0452329 19.79437176 19.6448442824.58763105 21.08454269 30.91968983 19.3326693 22.30088735 31.090480826.36418084 20.25648139 28.81879823 20.82632806 26.01779216 19.3787183724.9599814 22.31091614 18.94468902 18.77414161 14.07143768 17.4445033124.19727889 15.86077811 20.09007025 26.51946463 20.1336741 17.0245607723.86647679 22.84428441 21.00754322 36.17169898 14.67959839 20.565634732.46704858 33.24183156 19.81162376 26.55899048 20.90676734 16.4230185320.76605527 20.54658755 26.86304808 24.14176193 23.23824644 13.8164049315.37727091 2.79513898 28.89744167 19.80407672 21.50002831 27.541058628.54270527] 模型中的系數為：[-0.64817766 1.14673408 -0.05949444 0.74216553 -1.95515269 2.70902585-0.07737374 -3.29889391 2.50267196 -1.85679269 -1.75044624 0.87341624-3.91336869] 模型中的偏置為：22.62137203166228 誤差為:20.0621939903598

學號：202113430110

姓名：羅媛

總結

以上是生活随笔為你收集整理的机器学习（线性回归实训）------波士顿房价的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。