一、线性回归(一)、用途预测连续型数值输出是数字。(二)、核心思想找到一条最符合数据规律的直线公式ywxb(三)、代码实现导入库importpandasaspd#读取和处理表格数据fromsklearn.linear_modelimportLinearRegression#调用 sklearn 的线性回归模型读取数据datapd.read_csv(多元线性回归.csv,encodinggbk,enginepython)#从“多元线性回归.csv”导入数据计算相关系数矩阵corrdata[[体重,年龄,血压收缩]].corr()#corr() 用来判断两个或多个变量之间的线性关系强弱创建线性回归模型lr_modelLinearRegression()#创建一个线性回归对象。划分特征和目标xdata[[体重,年龄]]#输入变量ydata[血压收缩]#预测目标训练模型lr_model.fit(x,y)二、逻辑回归(一)、用途逻辑回归是一种分类算法虽然名字里有“回归”但它主要用于解决分类问题。(二)、逻辑回归和线性回归的区别线性回归是预测连续数值逻辑回归是预测类别(三)、代码实现读取数据importpandasaspd datapd.read_csv(rcreditcard.csv)#读取creditcard.csv数据标准化金额 AmountscalerStandardScaler()#实例化 标准化 对象scalerdata[Amount]scaler.fit_transform(data[[Amount]])删除Time列datadata.drop([Time],axis1)#axis表示删除行,这里表示删除Time行查看正负样本数量labels_countdata[Class].value_counts()print(labels_count)绘制柱状图labels_count.plot(kindbar)#pandas Series/DataFrame 绘制柱状图需要导入 matplotlib。plt.show()分离特征和标签x_wholedata.drop(Class,axis1)#输入特征y_wholedata.Class#目标创建逻辑回归模型fromsklearn.linear_modelimportLogisticRegression lrLogisticRegression(C0.1)例图
