機器學習入門---簡單線性回歸
機器學習入門---簡單線性回歸
機器學習
機器學習就是模擬人類的學習能力，以獲取新的知識或技能，來提升已有的知識結構的性能。
機器學習的步驟如下：
機器學習演算法就是通過學習訓練數據的特徵和標籤，產生對應的演算法模型，預測數據特徵對應的標籤。其中特徵是指屬性，標籤是指類別。
簡單線性回歸
線性回歸在假設特證標籤滿足線性關係,根據給定的訓練數據訓練一個模型,並用此模型進行預測。
1.相關性
線性回歸其實就是研究線性相關性，線性相關包括兩種，正線性相關（兩個變數同方向變化），負線性相關（兩個變數反方向變化）。相關係數用來度量線性相關性，
相關係數的範圍為， ，其中0表示不相關，負值表示負線性相關，正值表示正線性相關。
Python中用corr()計算相關係數，將返回一個相關係數矩陣，對角線為1，因為數據本身相關係數為1，矩陣關於對角線對稱，所以只需要看對角線一側的數據。
2.最佳擬合線
在訓練數據的散點圖上，我們可以畫一條線，這條線可以最準確的表示散點的方向位置，我們叫這條線為最佳擬合線。回歸方程為 ，其中a為截距，b為回歸係數。
Python中用sklearn包中的LinearRegression()創建模型。
3.評估模型精確度
我們使用訓練數據創建模型，用測試數據評估模型精確度。
決定係數R平方用來評估模型精確度，R平淡過越大，回歸模型越精確。
其中，
Python中用score()評估模型：
推薦閱讀：
