python 基础（26）

今天来讲讲线性回归模型，我们上学的时候都学习过，线性回归的思想其实就是解方程，得到回归函数。具体就是研究因变量Y和自变量X之间的关系。如果只有一个X就叫一元线性回归，如果有多个X（X1,X2,X3...）就叫多元线性回归。

在python中就有sklearn这个库提供了线性回归模型（liner_model.LinearRegression）来实现线性回归。我们举个简单的例子，看看整个流程是如何进行的：

from sklearn import d
test = linear_model.LinearRegression()
X = [[1,1],[2,1],[3,1]]
Y = [3,4,5]
test.fit(X,Y)
print(test.coef_)
print(test.intercept)

通过fit函数，我们已经对X,Y进行了回归计算了。

其中，coef_存放的是回归系数，intercept_存放的是截距，方程就是这两变量的取值。当然，这模型也会存在一些问题，例如过拟合，欠拟合。先说说欠拟合，欠拟合就是模型没有很好的捕捉数据的特征，不能够很好的拟合数据。就像，把本来是抛物线的模型，机器做了个一元一次方程，那就是欠拟合了。通常的解决方法就是添加其他特征项或者降低正则化参数的值。

而过拟合就是，原本是条直线，拟合出一条抛物线，过度学习了训练数据中的细节和噪音，导致模型在新的数据集里面表现不佳。这时候我们通常会重新清洗数据或者增大数据的训练量。

我们也可以用 matplotlib来画出图形,先导入matplotlib库，：

import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties

然后创建画布，figure,title,X轴Y轴

plt.figure(figsize=size)

因为上面的数据是虚拟构建的，数据有些问题，所以画不出啥来。但当我们用于实际问题中，很容易看出来离散程度，或者说异常值，当然我们构造模型的时候，不需要追求模型过于复杂，适用就好。