引入披萨问题
回顾一下自己的生活经验，匹萨的价格其实还会受到其他因素的影响。
比如，匹萨的价格还与辅料有关。让我们再为模型增加一个解释变量。用一 元线性回归己经无法解决了，我们可以用更具一般性的模型来表示，即多元线性回归。
测试集
1.通过分析已经确定属于多元线性回归问题
完整代码为：
from sklearn import linear_model# 1.准备 训练数据集X_train = [[8,11],[9,8.5],[11,15],[16,18],[12,11]]y_train = [[9.77],[10.75],[12.70],[17.58],[13.68]]# 2.构建模型model = linear_model.LinearRegression()# 3.训练模型model.fit(X_train,y_train)print("模型系数为：",model.coef_) # 模型系数为： [[ 9.77014044e-01 -8.91512314e-04]print("模型截距为：",model.intercept_) # 模型截距为： [1.96476491]# 4.预测模型y_train_pred = model.predict(X_train)print(y_train_pred)# [[ 9.77107063]# [10.75031345]# [12.69854671]# [17.5809424 ]# [13.67912681]]# 准备 测试集X_test = [[8,2],[9,0],[11,2],[16,2],[12,0]]y_test = [[11],[8.5],[15],[18],[11]]# 5.评估模型score = model.score(X_test,y_test)print("score:",score) # score: 0.6615073904189869# 6.模型可靠，使用模型，正是预测print(model.predict(X_test))# [[ 9.77909424]# [10.75789131]# [12.71013637]# [17.59520659]# [13.68893344]]
细节分析：评估模型中score越接近1，说明模型拟合度越可靠，逼真
2.总结：
① 根据题意分析属于多元线性回归问题
② 导入回归模型库
③ 五步走：导入训练数据集 + 构建模型 + 训练模型 + 评估模型 + 模型预测
如果觉得《Python机器学习——多元线性回归案例（二）》对你有帮助，请点赞、收藏，并留下你的观点哦！
