线性回归实验

实验一 一元线性回归

一、实验目的

1.掌握最小二乘法的代码实现；

2.理解一元线性回归方程的收敛过程；

3.使用库函数实现一元线性回归。

二、实验内容

image-20241209142538941

​ 针对表格中的数据，使用最小二乘法分析得到最佳线性回归方程

image-20241209142627925

​ 并求得最终的损失函数

image-20241209142639614

三、实验材料与工具

1.电脑一台；

2.Pycharm；

四、实验步骤

1.引入相应的工具包并设置中文字体

image-20241209142732029

2.借助pandas库读取数据集

image-20241209142741616

3.在坐标系中打印出散点图

image-20241209142815506

4.计算损失函数

image-20241209142829897

image-20241209142837662

image-20241209142847043

image-20241209142851061

image-20241209142854764

5.绘制回归线

image-20241209142903010

image-20241209142905979

6.使用sklearn库实现一元线性回归

image-20241209142914537

7.调用库函数训练模型

image-20241209142920013

8.输出回归方程并预测任意温度下火灾的受灾面积

image-20241209142928526

完整代码：

image-20241209142938979

五、实验结论

​ sklearn库实现一元线性回归

​ LinearRegression()帮助我们根据给定的输入特征和目标变量拟合一个线性模型，以便进行预测和分析。

​ fit_intercept（默认为True）

​ fit_intercept参数控制是否在模型中包含截距（偏置）项。截距项用于解决数据中的偏差问题，确保回归线能够在目标变量不为零时仍具有适当的截距。当fit_intercept为True时，模型会自动添加截距项；当为False时，模型不会添加截距项。

​ copy_X（默认为True）

​ copy_X参数控制是否复制输入特征数据。当copy_X为True时，输入特征数据会被复制，以防止对原始数据的修改。当copy_X为False时，模型将直接使用传入的输入特征数据。

​ n_jobs（默认为None）

​ n_jobs参数指定模型拟合过程中要使用的CPU核心数量。如果设置为None，则使用默认的核心数。如果设置为-1，则使用所有可用的核心。