image.png

配置環境

# 選擇 Python 2 版本
conda create -n python2 python=2

# 安裝 pandas, matplotlib, scikit-learn
conda install pandas matplotlib scikit-learn

Linear Regression：根據動物的大腦重量來預測對應體重

import pandas as pd
from sklearn import linear_model
import matplotlib.pyplot as plt

# Read data
dataframe = pd.read_fwf('brain_body.txt')
x_values = dataframe[['Brain']]
y_values = dataframe[['Body']]

# Train model on data
body_reg = linear_model.LinearRegression()
body_reg.fit(x_values, y_values)

# Visualize results
plt.scatter(x_values, y_values)
plt.plot(x_values, body_reg.predict(x_values))
plt.show()

Breaking it Down

1. Machine Learing - Defining the outcome & letting our algorithm learn the steps to get there

2. 3 Learning styles - supervised, unsupervised & reinforcement learning

3. Linear Regression models relationship between independent & dependent variables via line of best fit

線性回歸練習：各國男性人口的 BMI 與該國人口平均壽命的回歸

其中 "Country" 列記錄出生國家，"Life expectancy" 列記錄該國平均壽命，"BMI" 列記錄該國男性 BMI 數據。你將使用 BMI 數據來預測平均壽命。

# Import statements
import pandas as pd
from sklearn.linear_model import LinearRegression

# Load the data
bmi_life_data = pd.read_csv("bmi_and_life_expectancy.csv")

# Make and fit the linear regression model

bmi_life_model = LinearRegression()
bmi_life_model.fit(bmi_life_data[['BMI']], bmi_life_data[['Life expectancy']])

# Mak a prediction using the model
laos_life_exp = bmi_life_model.predict(21.07931)

線性回歸注意事項

最適用于線性數據
線性回歸會根據訓練數據生成直線模型。如果訓練數據包含非線性關系，你需要選擇：調整數據（進行數據轉換）、增加特征數量（參考下節內容）或改用其他模型。

image.png

容易受到異常值影響
線性回歸的目標是求取對訓練數據而言的 “最優擬合” 直線。如果數據集中存在不符合總體規律的異常值，最終結果將會存在不小偏差。

image.png

多元線性回歸

使用到波士頓房價數據集。數據集中包含 506 棟房屋的 13 個特征與房價中值（單位為 1000 美元）。你將根據這 13 個特征擬合模型，并預測房價。

from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_boston

# Load the data from the the boston house-prices dataset 
boston_data = load_boston()
x = boston_data['data']
y = boston_data['target']

# Make and fit the linear regression model
model = LinearRegression()
model.fit(x, y)

# Make a prediction using the model
sample_house = [[2.29690000e-01, 0.00000000e+00, 1.05900000e+01, 0.00000000e+00, 4.89000000e-01,
                6.32600000e+00, 5.25000000e+01, 4.35490000e+00, 4.00000000e+00, 2.77000000e+02,
                1.86000000e+01, 3.94870000e+02, 1.09700000e+01]]

prediction = model.predict(sample_house)