[人工智能]数学建模学习12

新年假期结束，我又回来啦！

1、回归拟合

一次二次拟合：

主要涉及线性回归
一次回归、二次回归（附python代码），剩下的机器学习没看懂，哼唧继续加油

import matplotlib.pyplot as plt
import numpy as np
from sklearn import linear_model #进行线性回归

# 读取数据集
datasets_X = []
datasets_Y = []
fr = open('E://prices.txt','r')
lines = fr.readlines()
for line in lines:
? ? items = line.strip().split(',')
? ? datasets_X.append(int(items[0]))
? ? datasets_Y.append(int(items[1]))

length = len(datasets_X)#求得数据总数
datasets_X = np.array(datasets_X).reshape([length,1])#转化成二维数组
datasets_Y = np.array(datasets_Y)#转化为数组

minX = min(datasets_X) #以dataset_X的最大值和最小值为范围，建立等差数列，方便后续画图
maxX = max(datasets_X)
X = np.arange(minX,maxX).reshape([-1,1])


linear = linear_model.LinearRegression()#调用线性回归模块，建立回归方程、拟合数据
linear.fit(datasets_X, datasets_Y)

# 图像中显示
plt.scatter(datasets_X, datasets_Y, color = 'red')
plt.plot(X, linear.predict(X), color = 'blue')
print('回归方程系数：',linear.coef_)
#查看回归方程截距
print('截距：',linear.intercept_)
plt.xlabel('Area')
plt.ylabel('Price')
plt.show()

import matplotlib.pyplot as plt
import numpy as np
from sklearn import linear_model
from sklearn.preprocessing import PolynomialFeatures#导入多项式特征构造模型
# 读取数据集
datasets_X = []
datasets_Y = []
fr = open('E://prices.txt','r')
lines = fr.readlines()
for line in lines:
? ? items = line.strip().split(',')
? ? datasets_X.append(int(items[0]))
? ? datasets_Y.append(int(items[1]))

length = len(datasets_X)
datasets_X = np.array(datasets_X).reshape([length,1])
datasets_Y = np.array(datasets_Y)

minX = min(datasets_X)
maxX = max(datasets_X)
X = np.arange(minX,maxX).reshape([-1,1])


poly_reg = PolynomialFeatures(degree = 2)#二次多项式
X_poly = poly_reg.fit_transform(datasets_X)
lin_reg_2 = linear_model.LinearRegression()
lin_reg_2.fit(X_poly, datasets_Y)

# 图像中显示
plt.scatter(datasets_X, datasets_Y, color = 'red')
plt.plot(X, lin_reg_2.predict(poly_reg.fit_transform(X)), color = 'blue')
plt.xlabel('Area')
plt.ylabel('Price')
plt.show()

机器学习二刷
1、目前流行的深度学习算法，只是一个规模巨大的神经网络而已。
2、感知器算法