附：3.5程序资料文件与下载

1. #coding=utf-8

2. """

3. #演示内容：二次回归和线性回归的拟合效果的对比

4. """

5. print(__doc__)

6.  

7. import numpy as np

8. import matplotlib.pyplot as plt

9. from sklearn.linear_model import LinearRegression

10. from sklearn.preprocessing import PolynomialFeatures

11. from matplotlib.font_manager import FontProperties

12. font_set = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=20) 

13.  

14. def runplt():

15.     plt.figure()# 定义figure

16.     plt.title(u'披萨的价格和直径',fontproperties=font_set)

17.     plt.xlabel(u'直径（inch）',fontproperties=font_set)

18.     plt.ylabel(u'价格（美元）',fontproperties=font_set)

19.     plt.axis([0, 25, 0, 25])

20.     plt.grid(True)

21.     return plt

22.  

23.  

24. #训练集和测试集数据

25. X_train = [[6], [8], [10], [14], [18]]

26. y_train = [[7], [9], [13], [17.5], [18]]

27. X_test = [[7], [9], [11], [15]]

28. y_test = [[8], [12], [15], [18]]

29.  

30. #画出横纵坐标以及若干散点图

31. plt1 = runplt()

32. plt1.scatter(X_train, y_train,s=40)

33.  

34. #给出一些点，并画出线性回归的曲线

35. xx = np.linspace(0, 26, 5)

36. regressor = LinearRegression()

37. regressor.fit(X_train, y_train)

38. yy = regressor.predict(xx.reshape(xx.shape[0], 1))

39.  

40. plt.plot(xx, yy, label="linear equation")

41.  

42. #多项式回归（本例中为二次回归）

43. #首先生成多项式特征

44. quadratic_featurizer = PolynomialFeatures(degree=2)

45. X_train_quadratic = quadratic_featurizer.fit_transform(X_train)

46.  

47. regressor_quadratic = LinearRegression()

48. regressor_quadratic.fit(X_train_quadratic, y_train)

49.  

50. #numpy.reshape（重塑）给数组一个新的形状而不改变其数据。在指定的间隔内返回均匀间隔的数字

51. #给出一些点，并画出线性回归的曲线

52. xx = np.linspace(0, 26, 5)

53. print (xx.shape)

54. print (xx.shape[0])

55. xx_quadratic = quadratic_featurizer.transform(xx.reshape(xx.shape[0], 1))

56. print (xx.reshape(xx.shape[0], 1).shape)

57.  

58. plt.plot(xx, regressor_quadratic.predict(xx_quadratic), 'r-',label="quadratic equation")

59. plt.legend(loc='upper left')

60. plt.show()

61.  

62. X_test_quadratic = quadratic_featurizer.transform(X_test)

63. print('linear equation  r-squared', regressor.score(X_test, y_test))

64. print('quadratic equation r-squared', regressor_quadratic.score(X_test_quadratic, y_test))

支持rar,zip格式大小，大小50M以内