Python与机器学习（第2版）（微课版） 课件 3-04-多项式回归预测任务实施

课程负责人：陈清华票房多项式回归预测任务实施【数据挖掘应用】课程观影数据回归分析知识与能力目标掌握多项式回归分析方法；会使用sklearn实现多项式回归分析应用；会熟练使用matplotlib进行可视化展现；会按需求展现回归模型。使用多项式回归对票房进行预测主要内容任务工单引导问题任务评价标准任务解决方案代码解析film.txt教学难点基于放映天数构建多项式特征，并使用sklearn中的线性模型实现多项式回归分析。任务概述

任务描述：根据放映天数，使用多项式回归分析和预测电影日均票房，并用图的形式展现所到模型的异同。任务工单010010011001101010100100110110100101110101000100001011011101001010101101010011010010（1）线性回归与多项式回归的本质区别是什么？（2）sklearn中如何实现多项式回归，实现方法上与线性回归有何不同？（3）sklearn中，线性回归与多项式回归的实现又有何共通之处？”

问题引导：任务概述

任务评价：任务概述评价内容评价要点分值分数评定自我评价1.任务实施数据预处理记录使用的degree参数值：________4分导包正确得1分，能正确构造多项式特征得2分。Degree正确设置得1分

模型训练1分代码正确且顺利执行得1分

模型展现3分展现原始数据完整得1分，展现结果清晰得1分。结合展现线性回归模型得1分2.效果评估分析模型得准确性，并得出评估结论3分准确率有提升得1分

3.任务总结依据任务实施情况总结结论1分总结内容切中本任务的重点要点得1分

合计10分

第1行：导入sklearn包中相关的包第2、3行：设置x和y的值fromsklearnimportlinear_modelx=df[['放映天数']]y=df[['日均票房/万元']]regr=linear_model.LinearRegression()任务解决方案第5行：一元线性回归拟合regr.fit(x,y)步骤一：使用一元线性回归进行预测第4行：初始化线性回归模型第2行：构造化多项式特征第4行：构建回归模型进行拟合poly=PolynomialFeatures(degree=3)xt=poly.fit_transform(x)polymodel=linear_model.LinearRegression(）polymodel.fit(xt,y)任务解决方案步骤二：使用多项式回归进行预测第1行：导入sklearn包中相关的包fromsklearn.preprocessingimportPolynomialFeatures任务解决方案plt.scatter(x,y,color=‘black，label=

“原始数据”)plt.scatter(x,regr.predict(x),color='red',linewidth=1,

label="线性回归",marker='*')plt.scatter(x,polymodel.predict(xt),color='blue',linewidth=1,

label="多项式回归",marker='^')plt.legend(loc=2)步骤三：可视化并比较任务解决方案x_min=x.values.min()-0.1x_max=x.values.max()+0.1第20、21行：定义界限第20、21行：定义等距序列，最小值是x_min，最大值是x_max，步长是0.005x_new=np.arange(x_min,x_max,0.005).reshape(-1,1)xt_new=poly.fit_transform(x_new)第22行：定义界限plt.scatter(x,y,color='black',label="原始数据")第23行：多项式回归模型结果可视化plt.scatter(x_new,regr.predict(x_new),color='red',s=2,linewidth=1,label="线性回归")步骤四：可视化进阶第24行：在左上角显示图例plt.legend(loc=2)plt.s