怎么用sklearn学习简单的线性回归？

电脑

python3+（anaconda集成环境）

scikit-learn模块

jupyter notebook

请安装anaconda的python3+，这里面已经自带了需要用到的模块，比如sklearn、scipy等模块。

这里要处理的问题是——给定一组数据X和yX = [[0,0],[1,1],[2,2]]y = [0,1,2]需要拟合一个二元函数f，使得：f(X[i])=y[i]，其中，i=0,1,2

这里介绍一下用线性表达式来表示这个f，需要加载下面的模块：from sklearn import linear_model

创建一个有待定系数的线性函数：f = linear_model.LinearRegression()

准备数据：X = [[0,0],[1,1],[2,2]]y = [0,1,2]

拟合f，得到f的待定系数：f.fit(X,y)print(f.coef_)

知道了系数，就可以构造这个函数：import numpy as npa = f.coef_def f(n):    b = np.dot(np.array(n),a)    return b用这个函数来预测：print(f([6,6]))

f得到的预测结果是64位的浮点数：print(f([5,5]).dtype)

所以，这里需要在函数f的return的数据转一下数据类型：def f(n):    b = np.dot(np.array(n),a)    return round(b).astype(np.int8)四舍五入取整，再转化为int8类型的数据。

线性拟合，或者叫做线性回归，是最简单的模型。

本文的例子，是最简单的机器学习模型。