github線性回歸怎么實現

本篇內容介紹了“github線性回歸怎么實現”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

Simple Linear Regression

Data Preprocessing

1 讀入數據集

# Importing the dataset
dataset <- read.csv('studentscores.csv') #時間和得分之間的關系

  Hours Scores
1   2.5     21
2   5.1     47
3   3.2     27
4   8.5     75
5   3.5     30
6   1.5     20

plot(dataset$Hours,dataset$Scores) #

2 數據預處理

首先按照上次分享的進行數據預處理  

R|ML_code-入門（1）

3 訓練集和測試集

將數據按照4:1拆分，每一組分別包含自變量和因變量

# Splitting the dataset into the Training set and Test set
# install.packages('caTools')
library(caTools)
set.seed(123)
split = sample.split(dataset$Scores, SplitRatio = 1/4)
training_set <- subset(dataset, split == TRUE)
test_set <- subset(dataset, split == FALSE)

# Feature Scaling
# training_set <- scale(training_set)
# test_set <- scale(test_set)

4 模型擬合及預測

通過訓練集進行模型擬合得到曲線，然后將測試集的X_test帶入曲線中，得到預測結果y_pred，最后將預測結果y_pred與測試集中的y_test進行比較，確定預測是否準確。

# Fitting Simple Linear Regression to the Training set
regressor = lm(formula = Scores ~ Hours,
               data = training_set)

# Predicting the results
y_pred <- predict(regressor, newdata = test_set)

5 結果可視化

# Visualising the Training  results
library(ggplot2)
ggplot() +
geom_point(aes(x = training_set$Hours, y = training_set$Scores), colour = 'red') +
geom_line(aes(x = training_set$Hours, y = predict(regressor, newdata = training_set)), colour = 'blue') +
ggtitle('Scores vs Hours (Training set)') + xlab('Hours') + ylab('Scores')

# Visualising the Test  results
library(ggplot2)
ggplot() +
geom_point(aes(x = test_set$Hours, y = test_set$Scores), colour = 'red') +
geom_line(aes(x = training_set$Hours, y = predict(regressor, newdata = training_set)), colour = 'blue') +
ggtitle('Scores vs Hours (Test set)') + xlab('Hours') + ylab('Scores')

“github線性回歸怎么實現”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！