一·摘要

线性回归是一种用于预测数值型数据的统计学分析方法，它通过建立一个或多个自变量与因变量之间的线性关系来进行预测。

线性回归的基本思想是通过拟合最佳直线（也就是线性方程），来描述自变量和因变量之间的关系。这条直线被称为回归线，其目的是使得所有数据点到这条直线的垂直距离（即残差）的平方和最小。这个最小化过程通常称为最小二乘法。

二·个人简介

🏘️🏘️个人主页：以山河作礼。
🎖️🎖️:Python领域新星创作者，CSDN实力新星认证，CSDN内容合伙人，阿里云社区专家博主，新星计划导师，在职数据分析师。

💕💕悲索之人烈焰加身，堕落者不可饶恕。永恒燃烧的羽翼，带我脱离凡间的沉沦。

🐘 希望大家能持续支持，共同向前迈进！😁 如果您觉得文章有价值， 欢迎留言💬，点赞👍，收藏🔖并关注我们➕🤝。 🪐💫💫💫💫💫💫💫热门专栏💫💫💫💫💫💫💫🪐

类型	专栏
Python基础	Python基础入门—详解版
Python进阶	Python基础入门—模块版
Python高级	Python网络爬虫从入门到精通🔥🔥🔥
Web全栈开发	Django基础入门
Web全栈开发	HTML与CSS基础入门
Web全栈开发	JavaScript基础入门
Python数据分析	Python数据分析项目🔥🔥
机器学习	机器学习算法🔥🔥
人工智能	人工智能

三·什么是线性回归

线性回归是一种非常简单易用且应用广泛的算法，其原理也非常容易理解，因此非常适合作为机器学习的入门算法。当我们在中学学习二元一次方程时，我们通常将y视为因变量，x视为自变量，从而得到方程：

$y=ax+b$

其中，$a$ 是斜率，表示自变量 $x$ 对因变量 $y$ 的影响程度；$b$ 是截距，表示当 $x=0$ 时 $y$ 的值。线性回归的目标就是找到最佳的参数 $a$ 和 $b$，使得预测值 $\hat{y}$ 与实际值 $y$ 之间的差异（通常是平方差）最小。

当我们只用一个x来预测y，就是一元线性回归，也就是在找一个直线来拟合数据。比如，我有一组数据画出来的散点图，横坐标代表广告投入金额，纵坐标代表销售量，线性回归就是要找一条直线，并且让这条直线尽可能地拟合图中的数据点。

这里我们得到的拟合方程是y = 0.0512x + 7.1884，此时当我们获得一个新的广告投入金额后，我们就可以用这个方程预测出大概的销售量。

线性回归模型可以通过最小化损失函数来求解参数，常用的损失函数是均方误差（Mean Squared Error, MSE）。通过解析方法或数值优化方法，如梯度下降（Gradient Descent），可以找到最优的参数 $a$ 和 $b$。

线性回归模型不仅可以用于简单的一元线性回归问题，还可以推广到多元线性回归，即有多个自变量的情况。在多元线性回归中，方程可以表示为：

$\mathbf{y}=\mathbf{X}\beta +ϵ$

其中，$mathbfy$ 是因变量向量，$mathbfX$ 是包含所有自变量的矩阵，$\beta$ 是参数向量，$ϵ$ 是误差项。

四·LinearRegression使用方法

1. 导入库和数据：首先需要导入scikit-learn库，并加载需要进行线性回归分析的数据集。
2. 创建模型对象：通过sklearn.linear_model.LinearRegression()创建一个线性回归模型的对象。在这一步中，您可以根据需要设置模型的参数，例如是否计算截距（fit_intercept）等。
3. 训练模型：使用fit()方法来训练模型。这通常涉及到将训练数据（特征和标签）传递给fit()方法。例如，lineModel.fit(X_train, Y_train)，其中X_train是训练特征数据，Y_train是对应的标签数据。
4. 进行预测：训练完成后，可以使用predict()方法来对新的数据进行预测。例如，lineModel.predict(X_test)，其中X_test是您想要预测的新数据。
5. 评估模型：最后，可以使用score()方法来评价模型的性能，这通常会给出一个表示模型拟合优度的$R^2$分数或其他指标。

五·糖尿病数据线性回归预测

1.数据说明

diabetes 是一个关于糖尿病的数据集， 该数据集包括442个病人的生理数据及一年以后的病情发展情况。

下面对数据集变量说明下，方便大家理解数据集变量代表的意义：

age:年龄sex:性别bmi(body mass index):身体质量指数，是衡量是否肥胖和标准体重的重要指标，理想BMI(18.5~23.9) = 体重(单位Kg) ÷ 身高的平方 (单位m)bp(blood pressure):血压（平均血压）s1,s2,s3,s4,s4,s6:六种血清的化验数据，是血液中各种疾病级数指针的6的属性值。s1——tc，T细胞（一种白细胞）s2——ldl，低密度脂蛋白s3——hdl，高密度脂蛋白s4——tch，促甲状腺激素s5——ltg，拉莫三嗪s6——glu，血糖水平

【注意】：以上的数据是经过特殊处理，
10个数据中的每个都做了均值中心化处理，然后又用标准差乘以个体数量调整了数值范围。验证就会发现任何一列的所有数值平方和为1。

2.导包

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

• 用于导入三个常用的数据处理和可视化库：numpy、pandas和matplotlib。

from sklearn.linear_model import LinearRegression

• 从sklearn库中导入线性回归模型。

3.导入数据

from sklearn.datasets import load_diabetes

• 从sklearn库中导入糖尿病数据集。

diabetes=load_diabetes()
data = diabetes['data']
target = diabetes['target']
feature_names = diabetes['feature_names']

• 加载糖尿病数据集，并将数据集的特征数据、目标数据和特征名称分别赋值给变量data、target和feature_names。

4.脱敏处理

df = pd.DataFrame(data,columns= feature_names)
df

• 使用pandas库创建一个DataFrame对象，并将数据和特征名称作为参数传递给DataFrame构造函数。然后，将创建的DataFrame对象赋值给变量df

5.抽取训练数据和预测数据

from sklearn.model_selection import train_test_split

• 从sklearn库中导入train_test_split函数。train_test_split函数用于将数据集划分为训练集和测试集

x_train,x_test,y_train,y_test = train_test_split(data,target,test_size=0.2)

• 使用train_test_split函数将数据集划分为训练集和测试集。其中，data表示特征数据，target表示目标数据，test_size=0.2表示将20%的数据作为测试集，剩余的80%作为训练集。划分后的训练集和测试集分别赋值给变量x_train、x_test、y_train和y_test。

6.创建模型

liner = LinearRegression()
liner.fit(x_train,y_train)

• 创建一个线性回归模型，并使用训练集数据进行拟合。首先，通过LinearRegression()创建一个线性回归模型对象，然后使用fit()方法将训练集的特征数据x_train和目标数据y_train传入模型进行拟合。

求线性方程: y = WX + b 中的W系数和截距b

df.head(4)

• 显示DataFrame对象df的前4行数据。head()方法默认返回前5行数据，但可以通过传入参数来指定返回的行数

系数w 系数大小类比权重

liner.coef_

• 获取线性回归模型的系数。coef_属性返回一个数组，其中包含模型中每个特征对应的系数值。这些系数表示了每个特征对目标变量的影响程度。

截距b

b= liner.intercept_
b

• 获取线性回归模型的截距。intercept_属性返回一个数值，表示模型中的截距值。截距是一个常数项，用于在特征数据为0时预测目标变量的值。

7.预测

y_pred = liner.predict(x_test)
y_pred

• 使用线性回归模型对测试集数据进行预测，并将预测结果赋值给变量y_pred。predict()方法接受一个特征数据集作为输入，并返回对应的目标变量预测值。

得分,回归的得分一般比较低

liner.score(x_test,y_test)

• 计算线性回归模型在测试集上的拟合优度得分。score()方法接受两个参数，分别是特征数据集和目标变量数据集，返回一个数值表示模型的拟合优度得分。在这里，输入的测试集特征数据为x_test，目标变量数据集为y_test，输出的拟合优度得分为liner.score(x_test, y_test)

8.线性回归评估指标

# metrics  评估from sklearn.metrics import mean_absolute_error as msemse(y_test,y_pred)

• 计算线性回归模型在测试集上的均方误差（Mean SquaredError，MSE）。mean_absolute_error函数用于计算平均绝对误差，但在这里被重命名为mse。输入的参数为真实目标变量数据集y_test和预测目标变量数据集y_pred，输出的结果为均方误差。

9.研究每个特征和标记结果之间的关系.来分析哪些特征对结果影响较大

绘制一个包含10个子图的图表，每个子图显示一个特征与目标变量之间的关系

# 画子图
# 10个
# 2行五列
plt.figure(figsize=(15, 8))
for i, col in enumerate(df.columns):data = df[col]#     display(data)# 画子图ax = plt.subplot(2, 5, i + 1)ax.scatter(data, target)# 线性回归linear = LinearRegression()linear.fit(df[[col]], target)# 训练后得到w,b的值w = linear.coef_#     print(w)b = linear.intercept_#     print(b)#画预测的直线 ：y = wx+bx = np.array([data.min(), data.max()])y = w * x + bax.plot(x,y,c='r')# 标题ax.set_title(f'{col}:{int(w[0])}')

10.结果

从以上分析可知，单独看所有特征的训练结果，并不没有得到有效信息，我们拆分各个特征与指标的关系，可以看出：

bmi与糖尿病的相关性非常高，bp也有一定的关系，但是是否是直接关系，还是间接关系，有待深入考察。其他血清指标多少都和糖尿病有些关系，有的相关性强，有的相关性弱。

六·波士顿房价预测

1.前言

回归分析是一种统计学方法，用于研究变量之间的关系，特别是一个或多个自变量（解释变量）对因变量（响应变量）的影响。

目前回归分析的研究范围可以分为如下几个部分组成：

线性回归：一元线性回归、多元线性回归和多个因变量与多个自变量的回归。

回归诊断：通过数据推断回归模型基本假设的合理性、基本假设不成立时对数据的修正、回归方程拟合效果的判断以及回归函数形式的选择。

回归变量的选择：根据什么标准选择自变量和逐步回归分析方法。

参数估计方法：偏最小二乘回归、主成分回归和岭回归。

非线性回归：一元非线性回归、分段回归和多元非线性回归。

定性变量的回归：因变量含有定性变量和自变量含有定性变量。

2.数据说明

波士顿房价数据说明：此数据源于美国某经济学杂志上，分析研究波士顿房价( Boston HousePrice)的数据集。数据集中的每一行数据都是对波士顿周边或城镇房价的情况描述，下面对数据集变量说明下，方便大家理解数据集变量代表的意义。

CRIM: 城镇人均犯罪率
ZN: 住宅用地所占比例
INDUS: 城镇中非住宅用地所占比例
CHAS: 虚拟变量,用于回归分析
NOX: 环保指数
RM: 每栋住宅的房间数
AGE: 1940 年以前建成的自住单位的比例
DIS: 距离 5 个波士顿的就业中心的加权距离
RAD: 距离高速公路的便利指数
TAX: 每一万美元的不动产税率
PTRATIO: 城镇中的教师学生比例
B: 城镇中的黑人比例
LSTAT: 地区中有多少房东属于低收入人群
MEDV: 自住房屋房价中位数（也就是均价）

首先对数据分析，处理特殊异常值，然后才是模型和评估，并应用模型进行预测。

3.数据导入

1.首先导入数据集，对数据进行分析

#导入Python常用数据分析的库import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set()    #设置画图空间为 Seaborn 默认风格names=['CRIM','ZN','INDUS','CHAS','NOX','RM','GE','DIS','RAD','TAX','PRTATIO','B','LSTAT','PRICE']boston=pd.read_csv("/Users/glenji/Desktop/housing.csv",names=names,delim_whitespace=True)
boston.head(10)

4.查看数据

查看各字段基础信息：

boston.info()

5.查看缺失值

#查看缺失值boston.isnull().sum()

6.描述性数据分析

①查看描述性数据统计：可以看到各个字段的均值、中位数、标准差等。

描述性数据统计

boston.describe()

查看各字段的相关性：可以看到房子价格跟住宅的房间数成比较强的正相关，而跟低收入人数比例有比较强的负相关。

#查看相关性corrboston = boston.corr()
corrbostonplt.figure(figsize=(10,10))    #设置画布
sns.heatmap(corrboston,annot=True,cmap='RdGy')
plt.show()

查看是否穿过查尔斯河对房价的影响：可以看到被河流穿过的豪宅仅占比6.92%，而被查尔斯河穿过的豪宅，比没有被穿过的豪宅平均贵了28.7%。

#查看是否穿过查尔斯河的两类占比
#可以看到被河流穿过的豪宅仅占比6.92%fig,ax = plt.subplots(1,2,figsize=(10,5))boston['CHAS'].value_counts().plot.pie(ax=ax[0],shadow=False,autopct='%1.2f%%')
ax[0].set_ylabel('')    #设置y轴标签
ax[0].set_xlabel('CHAS')    #设置x轴标签sns.countplot('CHAS',data=boston,ax=ax[1])
ax[1].set_ylabel('')
ax[1].set_xlabel('CHAS')
plt.show()

#再来看看两种不同类型的房子的价值如何
#可以看到被查尔斯河穿过的豪宅，比没有被穿过的豪宅平均贵了28.7%bostonCHAS = boston[['CHAS','PRICE']]    #先将CHAS和PRICE两列数据取出bostonCHAS1=bostonCHAS.pivot_table(values='PRICE',    #计算的值index='CHAS',       #透视的行，分组的依据aggfunc='mean')            #聚合函数# 对透视表进行降序排列
bostonCHAS1 = bostonCHAS1.sort_values(by='PRICE',     # 排序依据ascending=False                 # 是否升序排列)bostonCHAS1

④看看各个字段与价格的散点图：以初步了解价格与相应字段的关系。可以看到不是所有的字段与价格都有较强的相关关系，但本例中不涉及多元线性回归的向后删除，仅做最简单的多元性性回归的分析处理。

x_data = boston[['CRIM','ZN','INDUS','CHAS','NOX','RM','GE','DIS','RAD','TAX','PRTATIO','B','LSTAT']] # 导入所有特征变量
y_data = boston[['PRICE']] # 导入目标值（房价）plt.figure(figsize=(18,10))for i in range(13):plt.subplot(4,4,i+1)plt.scatter(x_data.values[:,i],y_data,s = 5)    #.values将DataFrame对象X_df转成ndarray数组plt.xlabel(names[i])plt.ylabel('Price')plt.title(str(i+1)+'. '+names[i]+' - Price')  plt.tight_layout()
plt.show()

7.预测性数据分析

①选取线性回归字段：

from sklearn import linear_model#定义线性回归的x和y变量
x=pd.DataFrame(boston[['CRIM','ZN','INDUS','CHAS','NOX','RM','GE','DIS','RAD','TAX','PRTATIO','B','LSTAT']])
y=boston['PRICE']x

②建立线性回归模型，并调用：可以看到各个字段的回归系数，可以写出一个回归方程：y=ax1+bx2+……，理论上你知道一套新房子的各个字段，带入公式即可预测出价格。

#建立线性回归模型，并将变量带入模型进行训练。
clf = linear_model.LinearRegression()
clf.fit(x, y)#查看回归系数。本例为一元回归,所以只有一个系数。
print('回归系数:', clf.coef_)

③计算回归系数：计算出的回归系数为0.74，回归拟合效果较好。

from sklearn.metrics import r2_score
score = r2_score(y, y_pred)
score

8.预测

④可以进行简单的预测：

y_pred =clf.predict(x)
print(y_pred)