机器学习-线性回归python实践【1】
写在最前面：
线性回归是机器学习最简单的模型，用来寻找最佳拟合曲线。我曾经在数模比赛时用过，虽然只拿了省二。
优点是：易于理解，计算简单
缺点是：对于非线性的数据拟合效果不好
适用数据类型：数值型和标称型数据
今天简单介绍下最小二乘法(ordinary least squares)
这是一组样例数据的的散点图，目的很简单，得到该组数据的最佳拟合曲线
第一个函数打开用tab键分隔的文本文件，文件的每一行的最后是目标值。
第二个函数用来计算最佳拟合曲线，首先读x,y的值，并且保存到矩阵中去，然后计算x^T *x ，判断行列式非0，如果此时不判断行列式非0，取逆的时候会有问题。
对了，这是最小二乘法的公式
目的是求出β，y=x ✖️ β
就是这么简单，只是个入门而已啦，复杂的等我后面研究了再分享
Go on
将数据点升序排列，然后绘制数据集散点图和最佳拟合曲线
写在最后：Numpy库提供了相关系数的计算方法corrcoef计算预测值和真实值得相关性：大概是0.98的样子
今天就到这里，各位晚安。