sklearn 线性回归

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
from pylab import mpl

mpl.rcParams[‘font.sans-serif‘] = [‘FangSong‘] # 指定默认字体
mpl.rcParams[‘axes.unicode_minus‘] = False # 解决保存图像是负号‘-‘显示为方块的问题

导入数据各个海滨城市数据--
# 去除没用的列
city_list = [ferrara,torino,mantova,milano,ravenna,asti,bologna,piacenza,cesena,faenza]
for city in city_list:
    city.drop(‘Unnamed: 0‘,axis=1,inplace=True)

#显示最高温度于离海远近的关系（观察多个城市）
city_max_temp = [] #城市
city_dist = [] #距离
for city in city_list: 
    temp = city[‘temp‘].max()
    dist = city[‘dist‘].max()
    city_max_temp.append(temp)
    city_dist.append(dist)
plt.scatter(city_dist,city_max_temp)   #x自变量   y因变量
plt.xlabel(‘距离‘)
plt.ylabel(‘最高温度‘)
plt.title(‘最高温度额距离之间的关系‘)
观察发现，离海近的可以形成一条直线，离海远的也能形成一条直线。

- 分别以100公里和50公里为分界点，划分为离海近和离海远的两组数据(近海：小于100  远海：大于50)
#数据转存到numpy中
city_dist = np.array(city_dist) #任意维度的数组
city_max_temp = np.array(city_max_temp)
#加条件  判断
condition = city_dist < 100  #True False 布尔值
near_city_dist = city_dist[condition]  #索引  只拿True对应的值
near_city_temp = city_max_temp[condition] #索引
#下面绘图
plt.scatter(near_city_dist,near_city_temp)   #x自变量   y因变量
plt.xlabel(‘近海距离‘)
plt.ylabel(‘近海最高温度‘)
plt.title(‘近海城市最高温度额距离之间的关系‘)

机器学习:
　　算法模型 --  特殊对象.内部已经帮我们集成或者封装好一个某一种算法或者某一种方程(还没有解的方程)
　　样本数据 --  样本对象的数据  帮助方程求出解
　　　　特征数据 -自变量
　　　　目标数据 -因变量
　　模型分类
　　　　有监督学习  样本数据必须包含特征数据和目标数据
　　　　　　-线性回归算法模型
　　　　无监督学习  只包含特征数据
　　　　半监督学习  前期训练  后期预测  (少用)
　　算法模型的作用 -- 
　　　　预测未知
　　　　分类

# 导入sklearn 建立线性回归算法模型对象   
from sklearn.linear_model import LinearRegression #线性回归   有监督学习
linner = LinearRegression() #实例化s
#求解(训练模型):需要将样本数据(特征,目标) 带入到模型对象中
linner.fit(near_city_dist.reshape(-1,1),near_city_temp) #X 特征数据 只能2维  y:目标  reshape(行 列)
y = linner.predict([[81],[90]]) #调用方程 (X)
linner.score(near_city_dist.reshape(-1,1),near_city_temp)   #计算模型分数

#绘制直线(是由点组成)
x = np.linspace(0,80,100)
y = linner.predict(x.reshape(-1,1))
plt.scatter(near_city_dist,near_city_temp)
plt.xlabel(‘近海城市距离‘)
plt.ylabel(‘近海城市最高温度‘)
plt.title(‘近海城市最高温度和距离之间的关系‘)
plt.scatter(x,y)