机器学习基础回归2020/12/3机器学习基础回归简单线性回归（）评估模型多元线性回归（）多项式回归（）正则化（）应用线性回归用梯度下降拟合模型（）2020/12/3线性回归第 3-2 课简单线性回归简单的线性回归可以用来建模一个响应变量和一个解释变量之间的线性关系。假设你想知道比萨饼的价格2020/12/3线性回归第 3-3 课观察数据2020/12/3线性回归第 3-4 课将 matplotlib.pyplot 导入为 PLTX=[[6] ， [8] ， [10] ， [14] ， [18]]y=[[7] ， [9] ， [13] ， [17.5] ， [18]]PLT.FIGUE （）plt.title （“比萨饼价格与直径之间的关系”）PLT.XLABEL （“直径（英寸）”）PLT.YLabel （“以美元计价的价格”）plt.plot （ X ， y ， 'k.')PLT.Axis([0 ， 25 ， 0 ， 25])PLT.GRID （真）plt.show （）sklearn.linear_model.linearregression2020/12/3线性回归第 3-5 课# 导入 sklearn从 sklearn.linear_model 导入 LinearRegression# 训练数据X=[[6] ， [8] ， [10] ， [14] ， [18]]y=[[7] ， [9] ， [13] ， [17.5] ， [18]]# 创建并拟合模型模型 = 线性回归（）model.fit （ X ， y ）打印 (' 一个 12 英寸的比萨饼应该花费 :$%.2f'%Model.Predict([12])[0])#12 英寸的比萨饼应该要 13.68 美元sklearn.linear_model.linearregressionLinear_Model.LinearRegression 类是一个估计器。估计器基于观察到的数据预测值。在 scikit-learn 中，所有估计器都实现 fit （）和 predict （）方法。前一种方法用于学习一个模型的参数，后一种方法用于利用学习的参数对一个解释变量预测一个响应变量的值。使用 scikit-learn可以很容易地对不同的模型进行实验，因为所有的估计器都实现了拟合和预测方法2020/12/3线性回归第 3-6 课结果2020/12/3线性回归第 3-7 课打印 ((model.intercept_ ， model.coef_))Z= 模型。预测 (X)PLT 散点（ X ， y ）plt.plot （ X ， Z ， color='red')plt.title （“比萨饼价格与直径之间的关系”）PLT.XLABEL （“直径（英寸）”）PLT.YLabel （“以美元计价的价格”）plt.show （）#(array([1.96551743]) ， array([[0.9762931]]))评估模型的适应度由几组参数值产生的回归线绘制在下图中。我们如何评估哪些参数产生了最佳拟合的回归线？2020/12/3线性回归第 3-8 课成本函数成本函数，也称为损失函数，用...
