#*================1. 建立工程，導(dǎo)入sklearn相關(guān)工具包====================**
import numpy as np
from sklearn.linear_model import Ridge ? #通過sklearn.linermodel加載嶺回歸方法
from sklearn import model_selection ? ? #加載交叉驗(yàn)證模塊
import matplotlib.pyplot as plt ? ? ?#加載matplotilib模塊
from sklearn.preprocessing import PolynomialFeatures ? ? #通過加載用于創(chuàng)建多項(xiàng)式特征，如ab、a2、b2
?
#*=================2. 數(shù)據(jù)加載=========================================**
data=np.genfromtxt('嶺回歸.csv',delimiter=',') ? ? #使用numpy的方法從csv文件中加載數(shù)據(jù)
print(data)
print(data.shape)
plt.plot(data[:,4]) ? ? ? ? ? ? ? ?#使用plt展示車流量信息
#plt.show()
#*================3. 數(shù)據(jù)處理==========================================**
X=data[:,:4] ? ? ? ? ? ? ? ? ?#X用于保存0-3維數(shù)據(jù)，即屬性
y=data[:,4] ? ? ? ? ? ? ? ? ? ##y用于保存第4維數(shù)據(jù)，即車流量
poly=PolynomialFeatures(6) ? ?#用于創(chuàng)建最高次數(shù)6次方的的多項(xiàng)式特征，多次試驗(yàn)后決定采用6次
X=poly.fit_transform(X) ? ? ? #X為創(chuàng)建的多項(xiàng)式特征
?
#*================4. 劃分訓(xùn)練集和測試集=================================**
train_set_x, test_set_x , train_set_y, test_set_y =model_selection.train_test_split(X,y,test_size=0.3,
random_state=0)
#將所有數(shù)據(jù)劃分為訓(xùn)練集和測試集，test_size表示測試集的比例，
# #random_state是隨機(jī)數(shù)種子
?
#*==============5. 創(chuàng)建回歸器，并進(jìn)行訓(xùn)練===============================**
clf=Ridge(alpha=1.0,fit_intercept = True)
#接下來我們創(chuàng)建嶺回歸實(shí)例
clf.fit(train_set_x,train_set_y) #調(diào)用fit函數(shù)使用訓(xùn)練集訓(xùn)練回歸器
clf.score(test_set_x,test_set_y) #利用測試集計(jì)算回歸曲線的擬合優(yōu)度，clf.score返回值為0.7375
#擬合優(yōu)度，用于評價(jià)擬合好壞，最大為1，無最小值，當(dāng)對所有輸入都輸出同一個值時(shí)，擬合優(yōu)度為0。
?
#*============6. 畫出擬合曲線=========================================**
start=100 ? ? ? ? ? ? ? ? ? ? ?#接下來我們畫一段200到300范圍內(nèi)的擬合曲線
end=200
y_pre=clf.predict(X) ? ? ? ? ? #是調(diào)用predict函數(shù)的擬合值
time=np.arange(start,end)
plt.plot(time,y[start:end],'b', label="real")
plt.plot(time,y_pre[start:end],'r', label='predict') ? #展示真實(shí)數(shù)據(jù)（藍(lán)色）以及擬合的曲線（紅色）
plt.legend(loc='upper left') #設(shè)置圖例的位置
plt.show()