一、实例背景

假设【专业度】【回复速度】【用户群活跃天数】这三个因素，共同影响【推荐分值】
在这里插入图片描述

二、任务目标

训练出一个模型，来实现根据【专业度】【回复速度】【用户群活跃天数】，来预测【推荐分值】

三、机器学习实现

1. 核心步骤

实现全流程：

在这里插入图片描述

1. 1 建立模型

任务目标是实现预测实值，且影响【推荐分值】的有3个因素：因此应建立“多元回归模型”
在sklearn中，无论是一元还是多元线性回归，实际都是建立线性回归方程，因此建立模型核心代码为

# 1. 建立模型：逻辑回归模型
classifier = linear_model.LinearRegression()

1.2 学习模型

1）确定损失函数：最小二乘法
2）求解计算指标最优的方式：sklearn默认为求导-解析解的方式

# 2. 学习模型
classifier.fit(X,Y)

1.3 衡量模型

分类-逻辑回归模型的衡量指标分别为：R²
核心代码如下：

# 3. 衡量模型
r2 = reg.score(X,Y)

2. 代码

from sklearn import linear_model
import pandas as pd
import matplotlib.pyplot as plt

# 获取所需数据：'推荐分值', '专业度','回复速度','用户群活跃天数'
datas = pd.read_excel('./datas1.xlsx')
important_features = ['推荐分值', '专业度','回复速度','用户群活跃天数']
datas_1 = datas[important_features]

# 明确实值Y为'推荐分值'，X分别为'专业度','回复速度','用户群活跃天数'
Y = datas_1['推荐分值']
X = datas_1.drop('推荐分值',axis=1)

# 1. 建立模型
reg = linear_model.LinearRegression()

# 2. 学习模型
reg.fit(X,Y)
w = reg.coef_
b = reg.intercept_

# 3. 衡量模型
r2 = reg.score(X,Y)


# 输出模型最优状态下的参数W和b，R²分数
for index,value in enumerate(zip(X.columns,w)):
    print(f"【{
      
      value[0]}】参数w{
      
      index+1}：",value[1])
print("偏差b，或参数w0:",b)
print("多元线性回归模型的r²分数为：",r2)

3. 输出