线性回归的计算公式,线性回归预测股票

完整代码展示：

#（1）数据获取 from sklearn.datasets import load_boston boston = load_boston() #保存波士顿房价数据集 #（2）数据处理 # 获取特征值 boston_features = boston.data # 获取目标值 boston_targets = boston.target # 线性回归对特征值比较敏感，数据对结果的影响比较大，如果有某一项过大，会产生很大影响 # 标准化处理--正态分布 from sklearn.preprocessing import StandardScaler #导入标准化处理方法 scaler = StandardScaler() #接收标准化方法 # 将特征值数据传入标准化转换函数中 boston_features = scaler.fit_transform(boston_features) #（3）划分训练集和测试集 from sklearn.model_selection import train_test_split x_train,x_test,y_train,y_test = train_test_split(boston_features,boston_targets,test_size=0.25) #（4）使用正规方程预测 # 导入正规方程方法 from sklearn.linear_model import LinearRegression # linear接收正规化方法 linear = LinearRegression() # 训练，输入训练所需的特征值和目标值 linear.fit(x_train,y_train) # 预测，输入预测所需的特征值 linear_predict = linear.predict(x_test) # 使用平均误差计算模型准确率 from sklearn.metrics import mean_absolute_error # 传入预测结果和真是结果计算平均误差 linear_mean_absolute = mean_absolute_error(y_test,linear_predict) # 使用均方误差计算模型准确率 from sklearn.metrics import mean_squared_error # 传入预测结果和真是结果计算均方误差 linear_mean_squared = mean_squared_error(y_test,linear_predict) #（5）使用梯度下降法预测 # 导入梯度下降法方法 from sklearn.linear_model import SGDClassifier # sgd接收梯度下降方法 sgd = SGDClassifier() # 训练 sgd.fit(x_train,y_train.astype('str')) # 预测 sgd_predict = sgd.predict(x_test) # 使用平均误差计算准确率 sgd_mean_absolute = mean_absolute_error(y_test,sgd_predict) # 使用均方误差计算准确率 sgd_mean_squared = mean_squared_error(y_test,sgd_predict) #（6）使用岭回归预测 # 导入岭回归方法 from sklearn.linear_model import Ridge # 接收岭回归方法 ridge = Ridge(alpha=10) # 训练 ridge.fit(x_train,y_train) # 预测 ridge_predict = ridge.predict(x_test) # 误差计算 # 平均误差 ridge_mean_absolute = mean_absolute_error(y_test, ridge_predict) # 均方误差 ridge_mean_squared = mean_squared_error(y_test,ridge_predict) # 输出每一项的权重 ridge_coef = ridge.coef_ # 输出偏移量 ridge_intercept = ridge.intercept_

跻身大厂是每一个程序员的梦想，也希望有机会可以大放异彩，成绩斐然。不过，不积跬步无以至千里，理想和现实的距离是需要努力来不断缩短的。

所以这里我准备了一些礼包，希望能够帮助到各位小伙伴。

★礼包1

如果对学习没有自制力或者没有一起学习交流的动力，欢迎私信或者评论区留言，我会拉你进学习交流群，我们一起交流学习，报团打卡，群内更有众多福利等你来解锁哟，赶快加入我们吧！

★礼包2

❶Python全套电子书，200本总共6个G电子书资料，囊括Python各大领域。

❷Python练手项目，包括爬虫、数据分析、机器学习、人工智能、小游戏开发。