jupyter notebook练手项目：线性回归——学习时间与成绩的关系

线性回归——学习时间与学习成绩的关系

第1步：导入工具库

pandas——数据分析库，提供了数据结构（如DataFrame和Series）和数据操作方法，方便对数据集进行读取、清洗、转换等操作。

matplotlib——绘图库，pyplot提供了一系列简单易用的绘图函数，用于创建各种类型的图表，如折线图、散点图、柱状图等。

%matplotlib inline——使matplotlib绘制的图像嵌入在 Jupyter Notebook 的单元格里，这样在运行代码后可以直接在 Notebook 中看到绘制的图形，而不是弹出一个新的图形窗口。

import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

第2步：导入并查看数据集

dataset = pd.read_csv(‘./studentscores.csv’)——使用pandas的read_csv函数读取当前目录下名为studentscores.csv的 CSV 文件，并将数据存储在dataset变量中。

dataset是一个DataFrame类型的对象,它类似于一个二维表格，每行代表一条数据记录，每列代表一个特征或变量。

Series 是简单的一列数据，而 DataFrame 是由多个 Series 组成的更复杂的表格结构

dataset=pd.read_csv('./studentscores.csv')
type(dataset)

pandas.core.frame.DataFrame

dataset.head()

	Hours	Scores
0	2.5	21
1	5.1	47
2	3.2	27
3	8.5	75
4	3.5	30

head()——默认显示前5行数据，用于快速查看数据的大致结构和内容
shape——数据集的形状，（25行，2列）
columns——列名集合
info()——详细信息
describe()——各种描述性统计分析

dataset.shape

(25, 2)

dataset.columns

Index(['Hours', 'Scores'], dtype='object')

dataset.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 25 entries, 0 to 24
Data columns (total 2 columns):#   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  0   Hours   25 non-null     float641   Scores  25 non-null     int64  
dtypes: float64(1), int64(1)
memory usage: 528.0 bytes

dataset.describe()

	Hours	Scores
count	25.000000	25.000000
mean	5.012000	51.480000
std	2.525094	25.286887
min	1.100000	17.000000
25%	2.700000	30.000000
50%	4.800000	47.000000
75%	7.400000	75.000000
max	9.200000	95.000000

第3步：提取特征和标签

定义了两个列表feature_columns和label_column，分别用于指定数据集的特征列和标签列。
这里将Hours列作为特征列(x)，将Scores列作为标签列(y)，即要预测的目标变量。

feature_columns=['Hours']
label_column=['Scores']

features = dataset[feature_columns]：从dataset中提取feature_columns指定的列数据，存储在features变量中，features也是一个DataFrame对象。

label = dataset[label_column]：从dataset中提取label_column指定的列数据，存储在label变量中，label是一个DataFrame对象，但只有一列数据。

features=dataset[feature_columns]
label=dataset[label_column]

type(features)

pandas.core.frame.DataFrame

features.head()

	Hours
0	2.5
1	5.1
2	3.2
3	8.5
4	3.5

在机器学习模型中，通常需要使用 numpy 数组格式的数据来进行训练和预测。sklearn 等机器学习库中的大多数函数和模型都期望输入数据为 numpy 数组形式。通过使用 .values 属性，我们可以将 pandas 数据结构中的数据提取为 numpy 数组，以便与这些机器学习模型兼容。

X=features.values
Y=label.values

第4步：划分数据集

四分之一作为训练集

从sklearn.model_selection模块中导入train_test_split函数，该函数用于将数据集拆分为训练集和测试集。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42):X：特征矩阵，y：目标向量，test_size：测试集的比例，random_state：随机数种子

关于随机数种子：

作用？设置此参数可以保证每次运行代码时，数据的划分结果是相同的，有助于代码的可重复性。
可重复性？指我们可以在相同的训练集和测试集上测试不同的模型或模型参数，公平地比较它们的效果，而不用担心是因为数据集划分不同导致的结果差异。

参数取值？该参数的取值没有特定的限制，通常可以是任意整数；但是不建议用默认值NULL，这样每次调用 train_test_split 函数会使用不同的随机数种子，导致每次数据集的划分结果不同。

from sklearn.model_selection import train_test_split
X_train,X_test,Y_train,Y_test=train_test_split(X,Y,test_size=1/4,random_state=0)

第5步：建立模型

训练模型

从sklearn.linear_model模块中导入LinearRegression线性回归模型类。

regressor = LinearRegression()：创建一个LinearRegression类的实例regressor，即初始化一个线性回归模型。

regressor = regressor.fit(X_train, Y_train)：调用regressor的fit方法，使用训练集数据X_train和Y_train对线性回归模型进行训练，拟合出模型的参数（如斜率和截距）。

from sklearn.linear_model import LinearRegression
regressor=LinearRegression()
regressor=regressor.fit(X_train,Y_train)

测试模型

调用predict方法：使用训练好的线性回归模型regressor对测试集特征X_test进行预测，得到预测结果Y_pred。

Y_pred=regressor.predict(X_test)

可视化

#散点图：红色点表示原始测试集的点，蓝色表示预测点
plt.scatter(X_test,Y_test,color='red')
plt.scatter(X_test,Y_pred,color='blue',marker='*')
#线图：蓝色线表示训练出来的回归线
plt.plot(X_test,Y_pred,color='blue')
plt.show()