机器学习课程大作业，关于统计天气状况

文档内容是关于机器学习课程期末大作业，用Python实现，代码全，文档详细，需要的可以下载

# 导入数值计算库
import numpy as np
# 导入科学计算库
import pandas as pd
#导入机器学习linear_model库
from sklearn import linear_model
#导入交叉验证库
from sklearn import model_selection
#导入图表库
import matplotlib.pyplot as plt
#读取数据
datalist = pd.read_csv（‘lineardata.csv‘）
X = datalist.iloc[ :    : 1 ].values
Y = datalist.iloc[ :  1 ].values
print（datalist）
#格式调整
X = np.array（datalist[[‘month‘]]）#将月份数设为自变量X
Y = np.array（datalist[‘PM2.5‘]）#PM2.5设为因变量Y
X.shapeY.shape #查看自变量和因变量的行数

#设置图表字体为华文细黑，字号11
plt.rc（‘font‘ family=‘STXihei‘ size=11）
#绘制散点图，月份数X，PM2.5Y，设置颜色，标记点样式和透明度等参数
plt.scatter（XY30color=‘red‘marker=‘x‘linewidth=2alpha=0.8）
plt.xlabel（‘月份‘）#添加x轴标题
plt.ylabel（‘PM2.5值‘）#添加y轴标题
plt.title（‘2017年月份与PM2.5关系分析‘）#添加图表标题
#设置背景网格线颜色，样式，尺寸和透明度
plt.grid（color=‘#95a5a6‘linestyle=‘--‘ linewidth=1axis=‘both‘alpha=0.4）
plt.show（）#显示图表

#划分数据
X_train X_test y_train y_test = model_selection.train_test_split（X Y test_size=0.25 random_state=0）
#查看训练集数据的行数
print（‘训练集的行数：‘）
print（X_train.shapey_train.shape）
#将训练集代入到线性回归模型中
clf = linear_model.LinearRegression（）
clf.fit （X_trainy_train）
clf.coef_#线性回归模型的斜率
clf.intercept_#线性回归模型的截距

#判定系数R
clf.score（X_trainy_train）
print（‘判定系数R:‘）
print（clf.score（X_trainy_train））

#显示测试集的因变量
print（‘测试集因变量：‘）
print（list（y_test））
#将测试集的自变量代入到模型预测因变量
pred = list（clf.predict（X_test））
print（‘预测集因变量：‘）
print（pred）
#训练结果的可视化
plt.scatter（X_train  y_train color = ‘red‘）
plt.plot（X_train  clf.predict（X_train） color =‘blue‘）
plt.show（）
#测试结果的可视化
plt.scatter（X_test  y_test color = ‘red‘）
plt.plot（X_test  clf.predict（X_test） color =‘green‘）
plt.show（）
#计算误差平方和
print（‘误差平方和：‘）
print（（（y_test - clf.predict（X_test）） **2）.sum（））
#返回预测性能得分
print（‘Score:%.2f‘%clf.score（X_testy_test））

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-12-10 17:42  2016218735_常利\
     文件         182  2018-12-09 13:47  2016218735_常利\lineardata.csv
     文件        2311  2018-12-10 16:20  2016218735_常利\linear_regression.py
     文件         583  2018-12-10 10:25  2016218735_常利\logisticdata.csv
     文件        3276  2018-12-10 16:22  2016218735_常利\logistic_regression.py
     文件         782  2018-12-10 13:17  2016218735_常利\poly_regression.py
     文件        2059  2018-12-07 16:23  2016218735_常利\weather-data.py
     文件      718828  2019-07-23 10:38  2016218735_常利\工程报告.doc
     文件       15215  2018-12-09 17:59  2016218735_常利\空气质量检测.xlsx