深く勉強します。詳しくは初めて機械を試して勉強します。

機械学習は各方面に応用できます。本編はシステム的に機械学習の方向に入る前に、機械学習を初歩的に認識し、線形回帰を利用してボストンの住宅価格を予測します。
原理の概要
線形回帰の最も簡単な形式を利用して住宅価格を予測して、それを一次線形関数y=kx+bとするだけでいいです。私がしたいのは既存のデータを利用して、この直線を勉強して、この直線があったら、ある特徴x（例えば住宅の平均部屋数）の任意の採値に対して、直線的に対応する住宅価格y、つまり模型の予測値を見つけられます。
上記の問題からわかるように、監視学習における復帰問題であり、学習対象のパラメータは実数kと実数b（特徴xは一つしかないので）であり、サンプルセットのサンプルサンプルから一対のデータ（x i，yi）を取り出し、xiをkx+bに代入して出力^y iを得、MSEは予測出力とサンプル表示の近接度を測定することができ、MSEをこの問題の損失関数としている。合計m mmサンプルのセットについて、損失関数は、J（k，b）＝1 i＝1Σm（yi−yi）2と計算される。
一般的にはデータセットを巡回して反復する必要があります。いい結果が得られます。
ボストンの住宅価格のデータ集
住宅価格の予測の実現はスカイラインに基づいています。スカイラインには様々なデータセットがあります。

が持参する小さなデータセット：slearn.dataset.load(*)name>

オンラインでダウンロードできるデータセット（Downloaded Dataset）：slearn.datasets.fetch(*)name>

カスタム生成データセット：slearn.datasets.make(*)name>

まずskylearnのデータセットから内蔵データの集中的なすなわちボストンの住宅価格データを取得する。

from sklearn.datasets import load_boston

他の機能パッケージとモジュールを導入し、線形回帰モデルを導入します。

#   sklearn    train_test_split      
from sklearn.model_selection import train_test_split
#    sklearn             
from sklearn.linear_model import LinearRegression
#    matplotlib    pyplot      
import matplotlib.pyplot as plt

読み込みデータセット:

#           ，    X   y
X, y = load_boston(return_X_y=True)
X.shape # (506, 13)
y.shape # (506,)

特徴をxとして取り出します。

#    6   （     ）：       
#           
X = X[:,5:6]

トレーニングセットとテストセットに分けて、テストセットは20%を取ります。

X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.2, random_state=2020)

slearn.model_に使用します。セレクション.トラッキングtest_スプリット、関数形式は以下の通りです。

train_test_split(train_data, train_target, test_size, random_state，shuffle)

test_size：浮動小数点数は、0~1の間でテストサンプルの比率

を表します。

ランドドムstate：ランダムシードは異なり、呼び出しごとにサンプルが異なります。シードは同じで、呼び出しごとにサンプリングが一致する

。

shuffle=Trueは、サンプルデータの順序を狂わす

です。
厳格に言えば、学習を監督するデータセットはトレーニングセット、検証セット、テストセットに分けられるべきです。トレーニングセットと検証セットには表示があり、テストセットには表示がなく、汎化能力は検証集に検査を行う。
分割後のトレーニングデータ：

X_train.shape # (404, 1)
y_train.shape # (404,)

線形回帰モデルを構築する
slearnでは、マシン学習モデリングが非常に便利です。

実装モデルは、適切な超パラメータを入力するとモデルの性能が向上します。

入力データトレーニング

検証モデル

線形回帰モデルを作成するには以下の通りです。

#         
regr = LinearRegression()
#          
regr.fit(X_train, y_train)
#          
y_pred = regr.predict(X_test)

モデルがトレーニングデータを受信するまで、最終的に特定の形態を決定することができます。例えば、入力データが発見された場合（404，1）、線形回帰形式はkx＋bであり、kx＋cx＋bではなく、線形回帰形式が決定されます。

#         
plt.scatter(X_test, y_test,  color='blue')
#                  
plt.plot(X_test, y_pred, color='red')
#       
plt.show()

プリントモデルのパラメータは（パラメータとパラメータの区別に注意）があります。

#        
print('  ：{},   ：{}'.format(regr.coef_,regr.intercept_))

結果:
 傾き：[9.1163398]，パンニング：-34.7557789280662
ここで初めて機械の勉強についての文章を紹介します。これまでの文章を検索したり、下記の関連記事を見たりしてください。これからもよろしくお願いします。