数据
import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import PolynomialFeatures from sklearn.linear_model import LinearRegression # 载入数据 data np.genfromtxt( job.csv , delimiter , ) x_data data[1:,1] y_data data[1:,2] # 增加维度 将一维变成二维 因为模型训练的时候需要二维的数据 x_data x_data[:,np.newaxis] y_data y_data[:,np.newaxis] # 定义多项式回归,degree的值可以调节多项式的特征 如果等于1就是线性回归 等于5就相当于拟合一条5次曲线 poly_reg PolynomialFeatures(degree 5) # 特征处理,上面的degree是多少这里的特征处理就会将一个特征变成该特征的0-4次方 x_poly poly_reg.fit_transform(x_data) # 定义回归模型 lin_reg LinearRegression() # 训练模型 要用特征处理后的数据训练 lin_reg.fit(x_poly, y_data) # 画真实数据图 plt.plot(x_data, y_data, b. ) # 将1-10之间平均分成1000个点 x_test np.linspace(1,10,1000) x_test x_test[:,np.newaxis] # 用这1000个点用训练好的模型lin_reg来拟合曲线 点太少就会出现不光滑的现象 plt.plot(x_test, lin_reg.predict(poly_reg.fit_transform(x_test)), c r ) plt.title( Truth or Bluff (Polynomial Regression) ) plt.xlabel( Position level ) plt.ylabel( Salary ) plt.show()
