线性回归示例 代码篇

机器学习 - 建模

1.获取数据            (pandas、numpy)

2.数据预处理      （训练集：特征、标签，测试集：特征、标签）

3.特征工程         （量纲问题、归一化/标准化）

4.模型训练         （正规方程模型、梯度下降 回归模型）

5.模型预测         （预测值、权重、偏置）

6.模型评估         （MAE、MSE、RMSE）

本篇 参考之前

机器学习-浅析：https://blog.csdn.net/i_k_o_x_s/article/details/159696090?spm=1001.2014.3001.5501

机器学习 —— 线性回归（1）

https://blog.csdn.net/i_k_o_x_s/article/details/159929680?spm=1001.2014.3001.5502

机器学习 —— 线性回归（2）

https://blog.csdn.net/i_k_o_x_s/article/details/159995884?spm=1001.2014.3001.5502

机器学习 —— 高数回顾

（导数、矩阵、偏导、向量、张量、范数）

https://blog.csdn.net/i_k_o_x_s/article/details/159999903?spm=1001.2014.3001.5502

对以上四篇文章的一份实例化代码 python 库 API的使用。

1.本篇梯度下降  Sklearn 用 SGD / Mini-batch

from sklearn.linear_model import SGDRegressor
model = SGDRegressor()
model.fit(X, y)

后续：

2. PyTorch 默认就是 Mini-batch（最常用）

optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

3.TensorFlow/Keras 默认就是 Mini-batch

model.compile(optimizer="sgd", loss="mse")
model.fit(X, y, batch_size=32)

完整的代码资源包已上传