多项式线性回归总结

最新推荐文章于 2025-06-21 01:48:18 发布

有想法的工程师

最新推荐文章于 2025-06-21 01:48:18 发布

阅读量2.3k

点赞数

CC 4.0 BY-SA版权

分类专栏： python 机器学习

本文链接：https://blog.csdn.net/qq_41342577/article/details/82320174

本文主要探讨多项式线性回归，包括简单线性回归的函数表达式，并介绍了多项式回归的转换方法，同时提供了相关代码实现。文章还提到了一个有价值的博客链接供读者参考。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这里主要记录多项式线性回归，会附带一部分简单线性回归的讲解

线性回归其实是典型的参数训练的机器学习方法，而且专门解决回归问题

首先先讲下简单线性回归

简单线性回归

函数表达式

y=ax+b

其中

代码实现

import numpy as np
import matplotlib.pyplot as plt


class SimpleLinearRegression:
    def __init__(self):
        self.a_ = None
        self.b_ = None

    #模型训练
    def fit(self, x, y):
        assert x.ndim == 1, "illegle x"
        assert len(x) == len(y), "this size of x_train must be equal to the size of y_train"
        num = 0
        d = 0
        # 用for循环耗时长，需要消耗大量的计算资源
        # for x_i, y_i in zip(x, y):
        #     num += (x_i - np.mean(x))*(y_i - np.mean(y))
        #     d += (x_i - np.mean(x))**2
        # 用向量点乘的方式可以让运算时长变短
        num = (x-np.mean(x)).dot(y-np.mean(y))
        d = (x-np.mean(x)).dot(x-np.mean(x))

        self.a_ = num/d