本篇內(nèi)容介紹了“github線性回歸怎么實(shí)現(xiàn)”的有關(guān)知識，在實(shí)際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

成都創(chuàng)新互聯(lián)公司是一家專注于網(wǎng)站建設(shè)、成都做網(wǎng)站與策劃設(shè)計(jì),環(huán)翠網(wǎng)站建設(shè)哪家好?成都創(chuàng)新互聯(lián)公司做網(wǎng)站,專注于網(wǎng)站建設(shè)10余年,網(wǎng)設(shè)計(jì)領(lǐng)域的專業(yè)建站公司;建站業(yè)務(wù)涵蓋:環(huán)翠等地區(qū)。環(huán)翠做網(wǎng)站價格咨詢:18982081108

Simple Linear Regression

Data Preprocessing

1 讀入數(shù)據(jù)集

# Importing the dataset
dataset <- read.csv('studentscores.csv') #時間和得分之間的關(guān)系

  Hours Scores
1   2.5     21
2   5.1     47
3   3.2     27
4   8.5     75
5   3.5     30
6   1.5     20

plot(dataset$Hours,dataset$Scores) #

2 數(shù)據(jù)預(yù)處理

首先按照上次分享的進(jìn)行數(shù)據(jù)預(yù)處理  

R|ML_code-入門（1）

3 訓(xùn)練集和測試集

將數(shù)據(jù)按照4:1拆分，每一組分別包含自變量和因變量

# Splitting the dataset into the Training set and Test set
# install.packages('caTools')
library(caTools)
set.seed(123)
split = sample.split(dataset$Scores, SplitRatio = 1/4)
training_set <- subset(dataset, split == TRUE)
test_set <- subset(dataset, split == FALSE)

# Feature Scaling
# training_set <- scale(training_set)
# test_set <- scale(test_set)

4 模型擬合及預(yù)測

通過訓(xùn)練集進(jìn)行模型擬合得到曲線，然后將測試集的X_test帶入曲線中，得到預(yù)測結(jié)果y_pred，最后將預(yù)測結(jié)果y_pred與測試集中的y_test進(jìn)行比較，確定預(yù)測是否準(zhǔn)確。

# Fitting Simple Linear Regression to the Training set
regressor = lm(formula = Scores ~ Hours,
               data = training_set)

# Predicting the results
y_pred <- predict(regressor, newdata = test_set)

5 結(jié)果可視化

# Visualising the Training  results
library(ggplot2)
ggplot() +
geom_point(aes(x = training_set$Hours, y = training_set$Scores), colour = 'red') +
geom_line(aes(x = training_set$Hours, y = predict(regressor, newdata = training_set)), colour = 'blue') +
ggtitle('Scores vs Hours (Training set)') + xlab('Hours') + ylab('Scores')

# Visualising the Test  results
library(ggplot2)
ggplot() +
geom_point(aes(x = test_set$Hours, y = test_set$Scores), colour = 'red') +
geom_line(aes(x = training_set$Hours, y = predict(regressor, newdata = training_set)), colour = 'blue') +
ggtitle('Scores vs Hours (Test set)') + xlab('Hours') + ylab('Scores')

“github線性回歸怎么實(shí)現(xiàn)”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識可以關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！

當(dāng)前名稱：github線性回歸怎么實(shí)現(xiàn)
轉(zhuǎn)載注明：http://jinyejixie.com/article26/ghhhcg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供Google、品牌網(wǎng)站設(shè)計(jì)、小程序開發(fā)、App設(shè)計(jì)、網(wǎng)頁設(shè)計(jì)公司、微信小程序

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)