使用matplotlib绘制sklearn LinearRegression输出

时间:2017-09-23 17:45:21

标签: python pandas numpy matplotlib

在使用numpy将x_values和y_values分开时导入文件后:

import pandas as pd
from sklearn import linear_model
from  matplotlib import pyplot 
import numpy as np

#read data
dataframe = pd.read_csv('challenge_dataset.txt')
dataframe.columns=['Brain','Body']
x_values=np.array(dataframe['Brain'],dtype=np.float64).reshape(1,-1)
y_values=np.array(dataframe['Body'],dtype=np.float64).reshape(1,-1)

#train model on data
body_reg = linear_model.LinearRegression()
body_reg.fit(x_values, y_values)
prediction=body_reg.predict(x_values)

print(prediction)
#visualize results
pyplot.scatter(x_values, y_values)
pyplot.plot(x_values,prediction)
pyplot.show()

我得到的图形如下图所示,它没有显示最佳拟合线,而且当我打印“预测”的值时,它显示的值与'y_values'相同。

enter image description here 相反,我使用以下代码。我得到了回归线。

#read data
dataframe = pd.read_csv('challenge_dataset.txt')
dataframe.columns=['Brain','Body']
x_values=dataframe[['Brain']]
y_values=dataframe[['Body']]

enter image description here

为什么会这样?

提前致谢。

1 个答案:

答案 0 :(得分:6)

linear_model.LinearRegression().fit(X,y)期待其论点

  

X:形状为[n_samples,n_features]的numpy数组或稀疏矩阵   y:形状为[n_samples, n_targets]

的numpy数组

这里有1个“特征”和1个“目标”,因此预期的输入形状为(n_samples,1)

虽然这是

的情况
x_values=dataframe[['Brain']]
y_values=dataframe[['Body']]

np.array(dataframe['Brain'],dtype=np.float64).reshape(1,-1)的形状为(n_samples,)

从数据框列中获取所需形状的另一个选择是将它们广播到具有新轴的2D数组

x_values=dataframe['Brain'].values[:,np.newaxis]
y_values=dataframe['Body'].values[:,np.newaxis]

请注意,为了显示一条好的行,您可能希望对x值进行排序。

import pandas as pd
from sklearn import linear_model
from  matplotlib import pyplot 
import numpy as np

#read data
x = np.random.rand(25,2)
x[:,1] = 2*x[:,0]+np.random.rand(25)
dataframe = pd.DataFrame(x,columns=['Brain','Body'])


x_values=dataframe['Brain'].values[:,np.newaxis]
y_values=dataframe['Body'].values[:,np.newaxis]

body_reg = linear_model.LinearRegression()
body_reg.fit(x_values, y_values)
prediction=body_reg.predict(np.sort(x_values, axis=0))

pyplot.scatter(x_values, y_values)
pyplot.plot(np.sort(x_values, axis=0),prediction)
pyplot.show()

enter image description here