2021大三机器学习简单的线性回归课程任务示例+超详细说明

大家好，这里是X，好久不见喽，今天带来机器学习有关简单线性回归的问题示例解析，望大家学的开心😎😎😎也算是补了这个星期的机器学习内容了，大家加油哦

题目🤑

数据文件是两支斗地主队伍(A/B)的模拟比赛结果。每支队伍有三位成员，分别负责地主(L)、地主上家(U)、地主下家(D)智能。每局比赛同样的发牌结果比赛两次，一次用A队的L与B队的U、D组成比赛，一次用B队的L与A队的U、D组成比赛，计算两队的得分差作为当局结果。每100局记录一次累计结果，现在想要预测10000局时候的分数🤯

分析、构建模型😏

简单的线性回归其实一般来说就只牵涉到两个变量：x和y
那么做题的时候呢就要去找到这两个变量，然后才能进行拟合和预测🐱‍🏍在这道题上，问题的最终目标是想要预测10000局的分数，显然这里已经有两个变量存在了：一个是局数、一个是分数
一般来说，要求什么，就立什么为y(当然这个东西是不一定的啊，看个人，这里是X的习惯，因为要求什么，那么这个东西就是一个结果，结果的话一般就是y值嘛)

那么在这里就让局数表示为x，让y表示目前得到的分数

问题一(太简单了就过啦)

你要写一个函数train(file_name)，对于传进来的数据文件file_name，打开数据文件，并返回有多少行数据。注意 第一行是说明文字，不算数据。

# @coding: utf-8

def train(file_name):
   with open(file_name,"r") as f:
     return len(f.readlines())-1

问题二

你要写一个函数train(file_name)，对于传进来的数据文件file_name，打开数据文件，并返回所有数据的平均值。注意 第一行是说明文字，不算数据。

解题的方法有很多种，大家按照自己的习惯来就行🤠

# @coding: utf-8

def train(file_name):
    import numpy as np
    f = open(file_name,"r")
    lines = f.readlines()
    sum = 0
    for i in range(1,len(lines)):
        sum += int(lines[i])        
    return sum/(len(lines)-1)        
    f.close()

问题三（重点）

你要写一个函数train(file_name)，对于传进来的数据文件file_name，打开数据文件，用LinearRegression拟合并预测10000局对局后的累计积分差。注意 第一行是说明文字，不算数据。

ppp❗❗❗❗❗❗❗❗

这里有一个很恶心的问题，就是大家要注意一开始的标题：他说的是每一百局才会记录一个数据，也就是说你的x轴的数据不是[1,2,3,…],而应该是[100,200,300,400,…]如果不这样的话，最终测出来的数据跟真正的结果会差很大的❕❕❕❕

# @coding: utf-8

def train(file_name):
    import numpy as np
    from sklearn.linear_model import LinearRegression
    f = open(file_name,"r")
    lines = f.readlines()   
    x = []
    y = []
    #让X记录每局的局数，y记录每100局的分数
    for i in range(1, len(lines)):
        y.append(int(lines[i])) 
    for i in range(1, len(y)+1):
        x.append(int(i*100))  #别忘了乘100噢
    X = np.array([x]).reshape(-1,1) #相当于“改变、构建”数组的形状
    model = LinearRegression()  ##创建一个估计器
    model.fit(X,y) ##用训练数据拟合
    test_model = np.array([[10000]]) # 输入待测的数值(也就是输入x，得到y的那种感觉)
    predicted_model = model.predict(test_model)[0]# 预测结果取第一个
    return predicted_model
    f.close()

机器学习其实并没有那么难，找到x，找到y，然后运用已知的技术，其实答案就已经出来了，重点就是能不能够找对这个x，y，有一些复杂一点的题目，是需要建立多个不同模型的，一样的道理嘛，分开来建立不同的模型就好了💜
好啦，今天的日结到这里就结束了，别忘了点赞、收藏、关注噢💘