5.线性回归算法

1.本节重点知识点用自己的话总结出来，可以配上图片，以及说明该知识点的重要性

答：

监督学习分为回归和分类两大类，这次课学习回归算法，回归算法是分类方法的提升。

连续变量预测采用回归算法（如天气的温度）；离散变量预测采用分类算法（如天气是阴，晴，还是雨）。

 

 矩阵是大多数算法的计算基础，矩阵的这种运算正好满足了线性回归的这种需求（矩阵必须是二维的）。

机器预测和真实值也是有一定误差的。

 

 

 

 

 

梯度下降法对于机器学习中递归性逼近最小偏差模型非常重要，它帮助寻找最小的损失值，从而可以反推出对应的学习参数w和b，达到优化模型的效果。

 

 

2.思考线性回归算法可以用来做什么？

答：可以用来预测交通拥挤的时间段，从而为优化交通起到至关重要的作用。

 

3.自主编写线性回归算法 ，数据可以自己造，或者从网上获取。

代码：

import numpy as np #导入numpy库
from sklearn.linear_model import LinearRegression #导入机器学习库中的线性回归模块
import matplotlib.pyplot as plt #导入matplotlib.pyplot绘图

X = np.array([100,150,200,250,300,350,400,450,500,550]) #X为房屋面积
Y = np.array([200,285,360,550,600,875,640,945,1050,1210]) #Y为房屋价格

#创建线性回归模型,通过房屋面积来预测价格
regr=LinearRegression() #创建线性回归模型，参数默认
regr.fit(X.reshape(-1,1),Y)#训练数据，将房屋面积作为x,价格作为y；

plt.scatter(X,Y) #画散点图看实际面积和价格的分布情况
plt.plot(X,regr.predict(X.reshape(-1,1)),color='red') #画预测的面积与价格的线型图
plt.show()

结果：