java线性拟合函数线性拟合算法

转载

mob64ca141139a2 2023-10-22 08:06:55

文章标签 java线性拟合函数机器学习 Python 回归分析数据分析 文章分类 Java 后端开发

在机器学习中，我们时常需要对给定的一系列点进行拟合，其中常见的拟合方式有线性拟合、套索拟合、多项式拟合等。通过拟合来进行回归，回归分析是一种预测性的建模技术，它研究的是因变量和自变量之间的关系。不管是建模，还是分析数据，回归分析都是重要的工具。

线性拟合是最简单的拟合，但是效果往往不佳，并且无法解决多分类的问题。

import csv
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures


def lineFit(col):
    y = read_col([col])
    print(y)
    x = np.arange(len(y))
    
    lr = LinearRegression()
    lr.fit(x.reshape(-1,1), y)
    y_new = lr.predict(x.reshape(-1, 1))
    plt.plot(x, y_new, color = 'g', marker = 'x',)
    plt.xlim(0,len(y))
    plt.savefig("test.png")
    plt.show()

效果图如下：

java线性拟合函数线性拟合算法_java线性拟合函数

但是，有时所给数据点用直线拟合并不合适，那么这时候就可以考虑用多项式拟合。但是需要注意的是，多项式中的degree即幂次数需要我们确定，过小会造成欠拟合，而过大则会造成过拟合。当我们使用数据训练分类器的时候，很重要的一点就是要在过度拟合与拟合不足之间达成一个平衡。而这就需要经验、实验的积累。

def PolyFitPlt(col):
    y = read_col([col])
    x = np.arange(len(y))
    plt.scatter(x,y)   
    Poly_pro = PolynomialFeatures(degree = 9)
    lr = LinearRegression()
    x_transform = Poly_pro.fit_transform(x.reshape(-1,1))
    lr.fit(x_transform,y)
    xx = Poly_pro.transform(x.reshape(-1,1))
    y_new = lr.predict(xx)
    plt.plot(x, y_new, color = 'g', marker = 'x',)
    plt.xlim(0,len(y))
    plt.savefig("./FittingPic/" + str(col) + ".png")
    plt.show()

java线性拟合函数线性拟合算法_java线性拟合函数_02