利用sklearn.linear_model.LinearRegression预测体重

import numpy as np
#创建数据
data = np.array([[150,50],
                [152,52],
                [160,55],
                [164,57],
                [165,58],
                [168,59],
                [170,60],
                [171,61],
                [173,61],
                [173,61],
                [176,63],
                [177,64],
                [180,67],
                [183,70],
                [184,71]], np.int32)

#提取特征和标签
x = data[:,0:-1]#从第0列开始到倒数第2列停止
y = data[:,-1] #取出最后一列

print(np.shape(x), np.shape(y))

#可视化数据
import matplotlib.pyplot as plt
%matplotlib inline

plt.scatter(x,y)
plt.show()

#通过线性回归模型来拟合给定的数据
from sklearn.linear_model import LinearRegression
model = LinearRegression().fit(x,y)
print(model.predict([[169]]))  #注意model.predict()中要预测的数据跟训练数据x的shape保持一致

print(model.coef_)#coef_：回归系数(斜率)
#对于线性回归问题计算得到的feature的系数。
#如果输入的是多目标问题，则返回一个二维数组(n_targets, n_features)；
#如果是单目标问题，返回一个一维数组(n_features,)。

print(model.intercept_)#intercept_：截距项

print(model.score(x,y))# 返回预测的决定系数R^2; 
#其结果等于1-(((y_true - y_pred) **2).sum() / ((y_true - y_true.mean()) ** 2).sum())

详细参数解释参考sklearn.linear_model.LinearRegression、LinearRegression().score返回的是决定系数R²-其中含义、linear_model.LinearRegression、sklearn.linear_model之LinearRegression

#把学出来的直线和训练数据可视化在同一个图里面
plt.scatter(x,y)
plt.plot(x, model.predict(x))
plt.show()