如何编程最佳拟合线 - 使用 Python 的实用机器学习教程 p.9

本教程系列继续探讨线性回归，上节课我们计算了斜率，现在我们要计算截距。

回顾：

• 斜率是最佳拟合线的斜率，我们已经计算出来了。
• 截距是最佳拟合线与 y 轴的交点，其计算公式为：b = y 的平均值 - m * x 的平均值。
• 尽管公式中包含斜率 m 的计算，但一旦我们得到 m，计算截距 b 就非常容易。

代码实现：

1. 首先，我们将函数 best_fit_slope 改名为 best_fit_slope_and_intercept，并添加计算截距 b 的代码：

python def best_fit_slope_and_intercept(xs, ys): m = (((mean(xs) * mean(ys)) - mean(xs * ys)) / ((mean(xs) * mean(xs)) - mean(xs * xs))) b = mean(ys) - m * mean(xs) return m, b

2. 然后，我们使用计算得到的斜率 m 和截距 b 来生成最佳拟合线的 y 值：

python regression_line = [m * x + b for x in xs]

3. 最后，我们使用 Matplotlib 库绘制散点图和最佳拟合线：

python import matplotlib.pyplot as plt

plt.scatter(xs, ys) plt.plot(xs, regression_line) plt.show()

总结：

本教程展示了如何计算线性回归的截距，并使用该截距以及之前计算的斜率来生成最佳拟合线。最后，我们使用 Matplotlib 绘制了散点图和最佳拟合线，直观地展示了回归结果。

思考：

教程中提到了，我们可以使用线性回归来预测新数据点的 y 值。这将是我们下一节课程探讨的内容。

欢迎来到我们机器学习回归教程的第 9 部分，这是我们 Python 机器学习教程系列的一部分。 我们一直在努力用 Python 计算给定数据集的回归线或最佳拟合线。 之前，我们编写了一个函数来获取斜率，现在我们需要计算 y 轴截距。 https://pythonprogramming.net