python模型训练之朴素理解

        模型训练就是通过一组训练数据，这组数据我这里举例x,y。x是自变量，y是因变量。那么我们可以定义数据

x=[2,5,8,11,13]，

y=[100,156, 144, 180]，

        这些数据是我自己随便写的。我们可以看到 这组数据类似 y=ax。

        然后我们想要的是通过线性回归训练后，再传入新的x 得到新的y，这样每次加入数据后数据会越来越多，精确率也会提高。

        由浅入深，其实模型训练数据的最终目的就是根据之前的训练结果。我传入一个参数要得到某个预期的值。比如AI, 甚至让人仰望的混沌体系，纳维斯托克斯方程这样的系统也是如此。我举个例子，我传入今天的天气，温度，路上行人密度，早上出门和邻居打招呼等参数，然后我想知道今天的午饭能不能遇见女神。模型会给出概率。（我是相信哥本哈根学派的不确定性原理的，万物皆概率，万物都是基于普朗克时间和普朗克时间的宇宙时空运行的）。那么天气，温度等和遇见女神之间的联系是什么呢。当然不是简单的线性回归所能处理的了，而是更多的数据，更复杂的系统，更复杂甚至未知的数学公式才能训练出来。

下面我用python举个例子

1:准备数据

# 引入相关包
from sklearn.linear_model import LinearRegression
import numpy as np

# 准备的数据，注意，x，y的数据长度要相等，不然会出现错误，格式中途不能变
x = np.array([[2], [5], [8], [11], [13]])
y = np.array([[100], [156], [144], [180], [199]])

        因为新版本np.arrary只能传二维数组，这里按照包的格式要求就行。这是已知数据表示，

x=2得到y=100，x=5得到y=156，以此类推，x,y个数,结构要一直，不然会报错

2:准备模型

# 创建一个线性回归模型
model = LinearRegression()

        这里我选择包自带的模型，线性回归，更复杂的模型或者自定义模型读者可以自行研究

3:开始训练

# 训练模型
model.fit(x, y)

4:获取训练结果

print('回归系数:', model.coef_)
# 输出模型的截距
print('截距:', model.intercept_)

# 我们传入一个新的参数x来预估y
new_data = np.array([[33]])
predicted = model.predict(new_data)
print("传入33模型给出的最优解y=", predicted)

        其中回归系数和截距数据数学知识，有兴趣可以自行去查资料学习。这里下面是最关键的，当我传入33的时候表示我想通过33获取预估结果通过model.predict()函数获取。

        简单的demo就结束了。下面是完整代码

from sklearn.linear_model import LinearRegression
import numpy as np

# 准备的数据，注意，x，y的数据长度要相等，不然会出现错误，格式中途不能变
x = np.array([[2], [5], [8], [11], [13]])
y = np.array([[100], [156], [144], [180], [199]])
# 创建一个线性回归模型
model = LinearRegression()
# 训练模型
model.fit(x, y)
print('回归系数:', model.coef_)
# 输出模型的截距
print('截距:', model.intercept_)

# 我们传入一个新的参数x来预估y
new_data = np.array([[33]])
predicted = model.predict(new_data)
print("传入33模型给出的最优解y=", predicted)

运行结果如下

回归系数: [[7.9035533]]
截距: [94.15228426]
传入33模型给出的最优解y= [[354.96954315]]

青青园中葵，朝露待日晞。
阳春布德泽，万物生光辉。
常恐秋节至，焜黄华叶衰。
百川东到海，何时复西归？
少壮不努力，老大徒伤悲！