### 关于糖尿病数据回归分析的完整代码 以下是基于 Python 的数据挖掘与机器学习第五章中关于糖尿病数据集进行回归分析的一个典型实现。此代码展示了如何加载糖尿病数据集、构建线性回归模型以及评估其性能。 ```python import numpy as np from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, r2_score # 加载糖尿病数据集 diabetes = datasets.load_diabetes() # 使用所有特征作为输入变量 X = diabetes.data y = diabetes.target # 将数据分为训练集和测试集 (80% 训练, 20% 测试) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建线性回归模型实例 model = LinearRegression() # 在训练数据上拟合模型 model.fit(X_train, y_train) # 对测试数据进行预测 y_pred = model.predict(X_test) # 输出模型系数和截距项 print(f'回归系数: {model.coef_}') print(f'截距项: {model.intercept_}') # 计算均方误差 (MSE) 和 R² 值来评估模型性能 mse = mean_squared_error(y_test, y_pred) r2 = r2_score(y_test, y_pred) print(f'均方误差 (MSE): {mse:.2f}') print(f'R² 值: {r2:.2f}') ``` #### 解析 上述代码实现了以下功能： - **数据准备**：通过 `sklearn.datasets` 中的 `load_diabetes()` 函数加载糖尿病数据集[^3]。 - **数据分割**：利用 `train_test_split` 方法将数据划分为训练集和测试集，比例为 80%-20%，随机种子设置为 42 以确保可重复性[^4]。 - **模型训练**：采用 `LinearRegression` 类创建线性回归模型，并在训练数据上完成参数估计[^5]。 - **模型评估**：使用均方误差 (`mean_squared_error`) 和决定系数 \(R^2\) 来衡量模型的表现[^6]。 请注意，在实际应用中可能还需要对数据进行预处理（如标准化或归一化），以便提高模型的泛化能力。 --- #### 参考说明 尽管未直接提及 PySpark 或 Pandas 工具的具体用途，但在大数据场景下可以考虑引入这些框架优化计算效率[^1]。此外，数据分析的核心目标在于提取有价值的信息并支持决策制定[^2]。 ---