标题

本模型取自gitchat 中李烨老师的课程，

本模型要解决的问题

如下图，左侧是工作年龄，右侧是薪资， 我们想弄清楚 y 与 x 间的函数关系

必要的假设

我们必须先对y 与 x 的关系做出假设， 假设： y = a + b x,

线性回归能做什么，不能做什么

注意，线性回归能解决的问题是：在模型确定下来后， a,b值为多少时，误差最小不能解决的问题是： 模型到底取 y =a+bx ? 还是取 y=a+bx+cx²？

代码

#version:py3 #author:kaka #导包 import matplotlib.pyplot as plt import numpy as np from sklearn import linear_model experiences = np.array([0,1,2,3,4,5,6,7,8,9,10]) salaries = np.array([103100, 104900, 106800, 108700, 110400, 112300, 114200, 116100, 117800, 119700, 121600]) # 将特征数据集分为训练集和测试集，前7个用于测试集，后面用于训练集 X_train =experiences[:7].reshape(-1,1) X_test = experiences[7:].reshape(-1,1) # 把目标数据（特征对应的真实值）也分为训练集和测试集 Y_train = salaries[:7] Y_test = salaries[7:] # 创建线性回归模型 regr = linear_model.LinearRegression() # 用训练集训练模型，训练后模型的参数保存在regr模型对象中 regr.fit(X_train, Y_train) # 用训练得出的模型进行预测 Y_predict = regr.predict(X_test) # 将测试结果以图的方式显示出来 plt.scatter(X_test, Y_test, color='black') #散点图，打印训练集 plt.plot(X_test, Y_predict, color='blue', linewidth=3) # 连线，打印测试集（测试集就是模型的预测结果） # 打印模型训练的结果 y=θ0+θ1x 中的θ0，和θ1 print(regr.coef_) #截距 print(regr.intercept_) #参数列表

上述代码链接

jupyter链接 link 百度网盘链接 链接：https://pan.baidu.com/s/11St5rPUB3XI5SZkl7a9hrg 提取码：0d1w

预测结果