多項式回歸

import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import PolynomialFeatures from sklearn.linear_model import LinearRegression # 載入數(shù)據(jù) data = np.genfromtxt("job.csv", delimiter=",") x_data = data[1:,1] y_data = data[1:,2] plt.scatter(x_data,y_data) plt.show()

x_data

x_data = x_data[:,np.newaxis] y_data = y_data[:,np.newaxis] x_data

# 創(chuàng)建并擬合模型 model = LinearRegression() model.fit(x_data, y_data) # 畫圖 plt.plot(x_data, y_data, 'b.') plt.plot(x_data, model.predict(x_data), 'r') plt.show()

# 定義多項式回歸,degree的值可以調(diào)節(jié)多項式的特征 poly_reg = PolynomialFeatures(degree=5) # 特征處理 x_poly = poly_reg.fit_transform(x_data) # 定義回歸模型 lin_reg = LinearRegression() # 訓(xùn)練模型 lin_reg.fit(x_poly, y_data) x_poly

# 畫圖 plt.plot(x_data, y_data, 'b.') plt.plot(x_data, lin_reg.predict(poly_reg.fit_transform(x_data)), c='r') plt.title('Truth or Bluff (Polynomial Regression)') plt.xlabel('Position level') plt.ylabel('Salary') plt.show()

# 畫圖 plt.plot(x_data, y_data, 'b.') x_test = np.linspace(1,10,100) x_test = x_test[:,np.newaxis] plt.plot(x_test, lin_reg.predict(poly_reg.fit_transform(x_test)), c='r') plt.title('Truth or Bluff (Polynomial Regression)') plt.xlabel('Position level') plt.ylabel('Salary') plt.show()

np.linspace(1,10,100)

總結(jié)

以上是生活随笔為你收集整理的机器学习基础-多项式回归-03的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。