【机器学习】案例1.3——sklearn求线性回归（3D视角）

# -------------------------- 导入依赖库（含中文配置） --------------------------
import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from matplotlib.lines import Line2D

# -------------------------- 关键：解决matplotlib中文显示问题（Windows系统） --------------------------
# 设置中文字体为"黑体"（Windows自带，无需额外安装）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 替换为 'Microsoft YaHei' 也可（微软雅黑）
# 解决负号显示异常的问题
plt.rcParams['axes.unicode_minus'] = False


# -------------------------- 生成双特征的模拟数据集 --------------------------
X1 = 2 * np.random.rand(100, 1)  # 特征1：100个[0,2)区间随机数（100×1）
X2 = 2 * np.random.rand(100, 1)  # 特征2：100个[0,2)区间随机数（100×1）
X = np.c_[X1, X2]                # 双特征矩阵（100×2）：每行[X1, X2]

# 真实模型：y = 4 + 3X1 + 5X2 + 噪声（模拟带噪声的线性关系）
y = 4 + 3 * X1 + 5 * X2 + np.random.randn(100, 1)


# -------------------------- 训练线性回归模型 --------------------------
reg = LinearRegression(fit_intercept=True)  # 初始化模型（拟合截距）
reg.fit(X, y)                                # 训练模型

# 打印参数（验证是否接近真实值：w0=4, w1=3, w2=5）
print("模型截距（w0）：", reg.intercept_[0].round(2))
print("特征系数（w1, w2）：", reg.coef_[0].round(2))


# -------------------------- 预测新样本 --------------------------
X_new = np.array([[0, 0],   # 新样本1：X1=0, X2=0
                  [2, 1],   # 新样本2：X1=2, X2=1
                  [2, 4]])  # 新样本3：X1=2, X2=4
y_predict = reg.predict(X_new)  # 预测标签
print("\n新样本预测值：", y_predict.round(2))


# -------------------------- 3D可视化（完美运行：无报错+中文正常显示） --------------------------
fig = plt.figure(figsize=(10, 8))  # 画布大小
ax = fig.add_subplot(111, projection='3d')  # 创建3D坐标轴

# 1. 绘制原始数据（蓝色散点）：保存句柄用于图例
scatter1 = ax.scatter(X1[:, 0], X2[:, 0], y[:, 0],
                      c='blue', alpha=0.7, label='原始数据')

# 2. 生成拟合平面的网格数据
x1_grid = np.linspace(X1.min(), X1.max(), 50)  # X1网格（50个点）
x2_grid = np.linspace(X2.min(), X2.max(), 50)  # X2网格（50个点）
X1_grid, X2_grid = np.meshgrid(x1_grid, x2_grid)  # 二维网格（50×50）
X_grid = np.c_[X1_grid.ravel(), X2_grid.ravel()]  # 网格特征矩阵（2500×2）
y_grid = reg.predict(X_grid).reshape(X1_grid.shape)  # 拟合平面z值（50×50）

# 3. 绘制拟合平面（红色半透明，不参与图例）
ax.plot_surface(X1_grid, X2_grid, y_grid,
                rstride=1, cstride=1, color='red', alpha=0.3)

# 4. 绘制预测点（绿色大圆点）：保存句柄用于图例
scatter2 = ax.scatter(X_new[:, 0], X_new[:, 1], y_predict[:, 0],
                      c='green', s=100, edgecolors='black', label='预测点')

# 5. 手动创建图例（用Line2D兼容3D场景）
legend_elements = [
    Line2D([0], [0], color='red', alpha=0.3, linewidth=10, label='拟合平面'),
    scatter1,  # 原始数据散点图例
    scatter2   # 预测点散点图例
]
ax.legend(handles=legend_elements, fontsize=10, loc='upper left')

# 6. 图表美化（中文标签正常显示）
ax.set_xlabel('特征 X1', fontsize=12)
ax.set_ylabel('特征 X2', fontsize=12)
ax.set_zlabel('标签 y', fontsize=12)
ax.set_title('双特征线性回归3D可视化（拟合平面+原始数据+预测点）', fontsize=14)
ax.view_init(elev=20, azim=45)  # 3D视角（可调整仰角/方位角）

# 显示图表
plt.tight_layout()
plt.show()


'''
模型截距（w0）： 3.78
特征系数（w1, w2）： [3.11 4.96]

新样本预测值： [[ 3.78]
 [14.96]
 [29.83]]

进程已结束，退出代码为 0
'''