机器学习每日一练—学生分数预测

╰+哭是因爲堅強的太久メ 2024-04-03 13:06 56阅读 0赞

### 学生分数预测 ###

标签：线性回归

*  数据准备

#1.创建数据集：
    import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt
    predata={
        'hour':[2.5,5.1,3.2,8.5,3.5,1.5,9.2,5.5,8.3,2.7,7.7,5.9,4.5,3.3,1.1,8.9,2.5,1.9,6.1,7.4,2.7,4.8,3.8,6.9,7.8],
             'score':[21,47,27,75,30,20,88,60,81,25,85,62,41,42,17,95,30,24,67,69,30,54,35,76,86]}
    mydata=np.asarray(predata)  #字典对象转换为numpy对象
    plt.scatter(predata['hour'],predata['score'])

运行结果：数据分布情况  
x轴代表时间，y轴代表分数

![在这里插入图片描述][8e841aad016a4c38bf4abbf531d626d8.png]

*  数据清洗  
    常见的数据清洗操作有：重复观测检查、缺省值处理和异常点处理（这里数据比较少就不进行这些操作了）  
    corr()函数求时间和分数的相关系数，这里面发现结果为0.976191十分接近1，说明时间和分数正线性相关性很强![在这里插入图片描述][b619f5bdc08746439bfe5e1d7c1d0902.png] \- 数据预处理分割特征值和目标值

df=pd.DataFrame(data=predata)
    X=df.iloc[:,:1]  #特征值
    Y=df.iloc[:,-1:] #目标值

分割训练集和测试集，这里训练集和测试集是7/3开

from sklearn.model_selection import train_test_split
    X_train,X_test,y_train,y_test=train_test_split(X,Y,train_size=0.3,random_state=42)

*  模型训练  
    这里使用的是线性回归的训练模型

from sklearn.linear_model import LinearRegression
    Model=LinearRegression()
    Model.fit(X_train,y_train)  #开始拟合数据

这两个参数是线性回归模型里面的参数，这里只有两个说明拟合结果为一条直线，coef为直线的斜率，另一个为截距![在这里插入图片描述][2e53367300c64d23896f48844d3c0afb.png]

*  查看结果  
    查看预测值和真实值之间的误差

import seaborn as sns
    y_predict=Model.predict(X_test)
    sns.displot(y_predict-y_test,kind="kde")

![在这里插入图片描述][5443eb5adbba4ba28b61373164405a14.png]

*  模型评估

from sklearn import metrics
    print('MAE:', metrics.mean_absolute_error(y_test, y_predict))
    print('MSE:', metrics.mean_squared_error(y_test, y_predict))
    print('RMSE:', np.sqrt(metrics.mean_squared_error(y_test, y_predict)))
    print("Model Accuracy: ",Model.score(X_train,y_train))

![在这里插入图片描述][91c4c3980aa14b8f9d3ebe8187838236.png]

*  使用该模型预测6个小时的学习时间得到的分数

prediction=Model.predict([[6]])
    print(prediction)
    print("\nBy Using mathematical equation:",Model.coef_*5.9+Model.intercept_)

![在这里插入图片描述][5a0b9de587b74f5fa551950f06f54d88.png]

[8e841aad016a4c38bf4abbf531d626d8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/93adfc258d764478b220e4e0516adc30.png
[b619f5bdc08746439bfe5e1d7c1d0902.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/743e1fc068c940f48b1b096412818b4c.png
[2e53367300c64d23896f48844d3c0afb.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/cac99840f064425ab54a755eccc32a42.png
[5443eb5adbba4ba28b61373164405a14.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/20262e20139e4d41a60db2675cf71575.png
[91c4c3980aa14b8f9d3ebe8187838236.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/9298067ccdc9472fbaf9e43b92ad1f86.png
[5a0b9de587b74f5fa551950f06f54d88.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/fed59e4d81484ee78ca9842f419029a0.png