机器学习入门---简单线性回归
机器学习入门---简单线性回归
机器学习
机器学习就是模拟人类的学习能力，以获取新的知识或技能，来提升已有的知识结构的性能。
机器学习的步骤如下：
机器学习演算法就是通过学习训练数据的特征和标签，产生对应的演算法模型，预测数据特征对应的标签。其中特征是指属性，标签是指类别。
简单线性回归
线性回归在假设特证标签满足线性关系,根据给定的训练数据训练一个模型,并用此模型进行预测。
1.相关性
线性回归其实就是研究线性相关性，线性相关包括两种，正线性相关（两个变数同方向变化），负线性相关（两个变数反方向变化）。相关系数用来度量线性相关性，
相关系数的范围为， ，其中0表示不相关，负值表示负线性相关，正值表示正线性相关。
Python中用corr()计算相关系数，将返回一个相关系数矩阵，对角线为1，因为数据本身相关系数为1，矩阵关于对角线对称，所以只需要看对角线一侧的数据。
2.最佳拟合线
在训练数据的散点图上，我们可以画一条线，这条线可以最准确的表示散点的方向位置，我们叫这条线为最佳拟合线。回归方程为 ，其中a为截距，b为回归系数。
Python中用sklearn包中的LinearRegression()创建模型。
3.评估模型精确度
我们使用训练数据创建模型，用测试数据评估模型精确度。
决定系数R平方用来评估模型精确度，R平淡过越大，回归模型越精确。
其中，
Python中用score()评估模型：
推荐阅读：
