目录

一、数据获取&问题定义：

1.数据获取：

2.问题定义： 

二、整理数据：

三、使用Pandas读取数据：

1.导入依赖库：

2.使用Pandas读取函数：

四、数据准备：

1.查看数据：

 2.划分训练集和测试集：

五、运行scikit-learn的线性模型：

六、模型评价：

七、交叉验证：

八、画图观察结果：

一、数据获取&问题定义：

1.数据获取：

数据集介绍：UCI Machine Learning Repository: Combined Cycle Power Plant Data Set

数据集下载： Index of /ml/machine-learning-databases/00294

2.问题定义： 

        里面是一个循环发电场的数据，共有9568个样本数据，每个数据有5列，分别是:AT（温度）, V（压力）, AP（湿度）, RH（压强）, PE（输出电力)。

---

二、整理数据：

        下载后的数据可以发现是一个压缩文件，解压后可以看到里面有一个xlsx文件，我们先用excel把它打开，接着“另存为“”csv格式，保存下来，后面我们就用这个csv来运行线性回归。

        打开这个csv可以发现数据已经整理好，没有非法数据，因此不需要做预处理。但是这些数据并没有归一化，也就是转化为均值0，方差1的格式。也不用我们搞，后面scikit-learn在线性回归时会先帮我们把归一化搞定。

一般情况下，我们需要对得到的数据集进行处理！！！

---

三、使用Pandas读取数据：

1.导入依赖库：

# 导入绘制图像的matplotlib库:
import matplotlib.pylab as plt

# 能够直接现实matplotlib绘制的图片，不需要调用show()方法:
%matplotlib inline

# 导入Numpy:
import numpy as np

# 导入Pandas:
import pandas as pd

# 导入机器学习库:
from sklearn import datasets, linear_model

        %matplotlib inline这一句是IPython的魔法函数，可以在IPython编译器里直接使用，作用是内嵌画图，省略掉plt.show()这一步，直接显示图像。如果不加这一句的话，我们在画图结束之后需要加上plt.show()才可以显示图像。

2.使用Pandas读取函数：

# read_csv 里面的参数是csv在磁盘上的路径(相对路径):
data = pd.read_csv('./Folds5x2_pp.csv')

# 默认展示前5行数据:
data.head()

---

四、数据准备：

1.查看数据：

查看数据维度：

# 查看样本格式：
data.shape

说明我们有9568个样本，每个样本有5列。

现在我们开始准备样本特征X，我们用AT， V，AP和RH这4个列作为样本特征。

# 取出特征值:
X = data[['AT', 'V', 'AP','RH']]

X.head()

接着我们准备样本输出y， 我们用PE作为样本输出。

Y = data[['PE']]

Y.head()

 2.划分训练集和测试集：

我们把X和Y的样本组合划分成两部分，一部分是训练集，一部分是测试集，代码如下：

# 导入机器学习库的数据划分函数:
from sklearn.cross_validation import train_test_split

# random_state：随机数的种子
X_train, X_test, y_train, y_test = train_test_split(X, Y, random_state=1)

        random_state （随机数种子）：其实就是该组随机数的编号，在需要重复试验的时候，保证得到一组一样的随机数。比如你每次都填1，其他参数一样的情况下你得到的随机数组是一样的。但填0或不填，每次都会不一样。

        查看下训练集和测试集的维度：

print(X_train.shape)
print(y_train.shape)
print(X_test.shape)
print(y_test.shape)

可以看到75%的样本数据被作为训练集，25%的样本被作为测试集。满足简单交叉验证 

【机器学习】＜刘建平Pinard老师博客学习记录＞交叉验证(Cross Validation)_故里的博客-CSDN博客交叉验证是在机器学习建立模型和验证模型参数时常用的办法。交叉验证，顾名思义，就是重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓“交叉”。　那么什么时候才需要交叉验证呢？交叉验证用在数据不是很充足的时候。比如在我日常项目里面，对于普通适中问题，如果数据样本量小于一万条，我们就会采用交叉验证来训练优化选择...https://blog.csdn.net/weixin_52058417/article/details/122028525?spm=1001.2014.3001.5501

---

五、运行scikit-learn的线性模型：

        用scikit-learn的线性模型来拟合我们的问题了，scikit-learn的线性回归算法使用的是最小二乘法来实现的。

# 导入机器学习库线性回归函数:
from sklearn.linear_model import LinearRegression

linreg = LinearRegression()

# 使用线性回归进行训练模型:
linreg.fit(X_train, y_train)

拟合完毕后，我们看看我们的需要的模型系数结果：

print (linreg.intercept_)
print (linreg.coef_)

---

六、模型评价：

        我们需要评估我们的模型的好坏程度，对于线性回归来说，我们一般用均方差（Mean Squared Error, MSE）或者均方根差(Root Mean Squared Error, RMSE) 在测试集上的表现来评价模型的好坏。

        我们看看我们的模型的MSE和RMSE，代码如下：

#模型拟合测试集
y_pred = linreg.predict(X_test)

from sklearn import metrics

# 用scikit-learn计算MSE
print("MSE:",metrics.mean_squared_error(y_test, y_pred))

# 用scikit-learn计算RMSE
print("RMSE:",np.sqrt(metrics.mean_squared_error(y_test, y_pred)))

        得到了MSE或者RMSE，如果我们用其他方法得到了不同的系数，需要选择模型时，就用MSE小的时候对应的参数。

        比如这次我们用AT， V，AP这3个列作为样本特征。不要RH， 输出仍然是PE。代码如下：

X = data[['AT', 'V', 'AP']]
y = data[['PE']]

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)

from sklearn.linear_model import LinearRegression
linreg = LinearRegression()
linreg.fit(X_train, y_train)

#模型拟合测试集
y_pred = linreg.predict(X_test)
from sklearn import metrics

# 用scikit-learn计算MSE
print("MSE:",metrics.mean_squared_error(y_test, y_pred))

# 用scikit-learn计算RMSE
print("RMSE:",np.sqrt(metrics.mean_squared_error(y_test, y_pred)))

可以看出，去掉RH后，模型拟合的没有加上RH的好，MSE变大了。

---

七、交叉验证：

        我们可以通过交叉验证来持续优化模型，代码如下，我们采用10折交叉验证，即cross_val_predict中的cv参数为10：

X = data[['AT', 'V', 'AP', 'RH']]
y = data[['PE']]

from sklearn.model_selection import cross_val_predict
predicted = cross_val_predict(linreg, X, y, cv=10)

# 用scikit-learn计算MSE
print ("MSE:",metrics.mean_squared_error(y, predicted))

# 用scikit-learn计算RMSE
print ("RMSE:",np.sqrt(metrics.mean_squared_error(y, predicted)))

        可以看出，采用交叉验证模型的MSE比第六的大，主要原因是我们这里是对所有折的样本做测试集对应的预测值的MSE，而第六仅仅对25%的测试集做了MSE。两者的先决条件并不同。

---

八、画图观察结果：

        这里画图真实值和预测值的变化关系，离中间的直线y=x直接越近的点代表预测损失越低。代码如下：

fig, ax = plt.subplots()

ax.scatter(y, predicted)
ax.plot([y.min(), y.max()], [y.min(), y.max()], 'k--', lw=4)
ax.set_xlabel('Measured')
ax.set_ylabel('Predicted')

plt.show()

以上就是用scikit-learn和pandas学习线性回归的过程，希望可以对初学者有所帮助。