第一天机器学习100天|Day1数据预处理，我们学习了数据预处理。知道了，数据预处理是机器学习中最基础和最麻烦，未来占用时间最长的一步操作。数据预处理一般有六个步骤，导入库、导入数据集、处理缺失值、分类数据转化、分出训练集和测试集、特征缩放等。在处理数据过程中，必须得两个库是numpy和pandas，也用到sklearn.preprocessing中的Imputer,LabelEncoder, OneHotEncoder，StandardScaler。

算法本身很简单，之前也有文章做过算法的解读，有兴趣的同学请移步：

机器学习算法Python实现--线性回归分析

很早之前还用R做过一个R语言教程之-线性回归

下面开始，四步搞定简单线性回归分析

第一步：数据预处理

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
dataset = pd.read_csv('studentscores.csv')
X = dataset.iloc[ : , : 1 ].values
Y = dataset.iloc[ : , 1 ].values
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split( X, Y, test_size = 1/4, random_state = 0)
第二步：训练集使用简单线性回归模型来训练

from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor = regressor.fit(X_train, Y_train)
sklearn是机器学习的神器，之前有过介绍

Sklearn包含的常用算法

LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1)

fit_intercept：是否计算截距。
normalize： 当fit_intercept设置为False时，该参数将被忽略。 如果为真，则回归前的回归系数X将通过减去平均值并除以l2-范数而归一化。
copy_X：布尔数，可选，默认为真，如果为真，X会被拷贝，反之，会被覆盖。
n_jobs：指定线程数
第三步：预测结果

LinearRegression官网有具体用法，比较简单，不想移步的同学只需知道下面几个用法即可

fit(X,y,sample_weight=None)：X,y以矩阵的方式传入，而sample_weight则是每条测试数据的权重，同样以array格式传入。
predict(X)：预测方法，将返回预测值y_pred
score(X,y,sample_weight=None)：评分函数，将返回一个小于1的得分，可能会小于0

Y_pred = regressor.predict(X_test)
第四步：可视化

训练集结果可视化

plt.scatter(X_train , Y_train, color = 'red')
plt.plot(X_train , regressor.predict(X_train), color ='blue')
plt.show()

测试集结果可视化

plt.scatter(X_test , Y_test, color = 'red')
plt.plot(X_test , regressor.predict(X_test), color ='blue')
plt.show()