1.匯入相關模組

import numpy as np
import pandas as pd
from pandas import Series,DataFrame

#機器學習的普通線性模型、嶺迴歸模型、lasso模型
from sklearn.linear_model import LinearRegression,Ridge,Lasso

#匯入機器學習相關的資料集
import sklearn.datasets as datasets

2.獲取訓練資料

abalone=pd.read_csv('../day09/data/abalone.txt',sep='\t',header=None
 
)

資料為自己本地資料，格式如下：

#前7列為特徵
train = abalone.loc[:,0:7]
#第8列為標籤
target = abalone[8]
#訓練資料
X_train = train[:4000]
Y_train = target[:4000]
#測試資料
x_test = train[4000:]
y_true = target[4000:]

3.確定學習模型

• 普通線性迴歸

line=LinearRegression()

• 嶺迴歸模型

ridge = Ridge(alpha=0.5)

• lasso迴歸模型

lasso = Lasso(alpha=0.003)

4.使用訓練資料對學習模型進行訓練

• 訓練普通線性迴歸模型

line.fit(X_train,Y_train)

• 訓練嶺迴歸模型

ridge.fit(X_train,Y_train)

• 訓練lasso迴歸模型

lasso.fit(X_train,Y_train)

5.使用測試資料，獲取預測結果

• 使用普通線性迴歸模型預測結果

y_pre_line = line.predict(x_test)

• 使用嶺迴歸模型預測結果

y_pre_ridge = line.predict(x_test)

• 使用lasso迴歸模型預測結果

y_pre_lasso = line.predict(x_test)
 

6.繪圖

• 普通線性迴歸

plt.plot(np.arange(y_pre_line.size),y_pre)
plt.plot(np.arange(y_true.size),y_true)

• 嶺迴歸

plt.plot(np.arange(y_pre_ridge.size),y_pre)
plt.plot(np.arange(y_true.size),y_true)

• lasso迴歸

plt.plot(np.arange(y_pre_lasso.size),y_pre)
plt.plot(np.arange(y_true.size),y_true)