用Golang实现线性回归
您是否想知道线性回归为什么在统计和机器学习中起重要作用？它见证了线性回归是常用和良好的最多一个- 了解算法小号。
回归是一种用于计算变量之间关系的统计方法。这是最流行的，最简单的回归技术的一个小号 ，并  是  了解你的数据一个很好的办法。请注意，即使您使用高阶（非线性）多项式，回归技术也不是100％准确的。与大多数机器学习技术一样，回归的关键是找到一个足够好的技术，而不是完美的技术和模型。
这篇文章是从书中掌握围棋的节选-第二版  由  Mihalis Tsoukalos 。 Mihalis  深入研究Go的细微差别，提供了有关类型和结构，包，并发，网络编程和编译器设计的深入指南。在本文中，我们将看到在Go中构建机器学习系统，从简单的统计回归到复杂的神经网络。  
为您的数据建模
线性回归背后的想法很简单：您正在尝试使用一级方程式对数据建模。一级方程可以表示为  y = ax + b 。
有许多方法可以让您找出可以建模数据的一阶方程式-所有技术都可以计算  a  和  b 。
大号inear回归
本节的Go代码将保存在  gression.go中，它将分为三个部分。程序的输出将是两个浮点数，它们 在一级方程式中定义  了a  和  b 。
第一部分  regression.go  包含下面的代码：
import ( "encoding/csv" "flag" "fmt" "gonum.org/v1/gonum/stat" "os" "strconv" ) type xy struct { x []float64 y []float64 }
该  XY  结构用来保存数据，并应根据自己的数据格式和值的变化。
的第二部分  regression.go  如下：
func main（）{
    flag.Parse（）
    如果len（flag.Args（））== 0 {
        fmt.Printf（“用法：回归文件名\ n”）
        返回
    }
    文件名：= flag.Args（）[0]
    文件，err：= os.Open（文件名）
    如果err！= nil {
        fmt.Println（err）
        返回
    }
    延迟file.Close（）
    r：= csv.NewReader（文件）
    记录err：= r.ReadAll（）
    如果err！= nil {
        fmt.Println（err）
        返回
    }
    大小：= len（记录）
    数据：= xy {
        x：make（[[float64，size），
        y：make（[[float64，size），
    }
最后一部分  regression.go  如下：
    对于我，v：=范围记录{
        如果len（v）！= 2 {
            fmt.Println（“期望两个元素”）
            继续
        }
        如果s，err：= strconv.ParseFloat（v [0]，64）; err == nil {
            data.y = s
        }
        如果s，err：= strconv.ParseFloat（v [1]，64）; err == nil {
            data.x = s
        }
    }
    b，a：= stat.LinearRegression（data.x，data.y，nil，false）
    fmt.Printf（“％。4v x +％.4v \ n”，a，b）
    fmt.Printf（“ a =％.4v b =％.4v \ n”，a，b）
}
来自数据文件的数据被读入  数据 变量。实现线性回归的函数是  stat.LinearRegression（） ，它以特定顺序返回两个数字，分别是  b  和  a 。
此时，是下载gonum  软件包的好时机  ：
$ go get -u gonum.org/v1/gonum/stat
执行  regression.go  与存储在输入数据  reg_data.txt  将产生以下输出：
$运行  regression.go  reg_data.txt
0.9463 x + -0.3985
a = 0.9463 b = -0.3985
返回的两个数字是  一个 和  b  从  Y = AX + B  的公式。
reg_data.txt 的内容   如下：
$ cat reg_data.txt
1
3
2.1
4
5
-5，-5.1
绘制  数据
现在是时候绘制结果和数据集了，以测试线性回归技术的结果的准确性。为此，我们将使用plotLR.go 的Go代码，该代码分为四个部分。 plotLR.go  需要三个命令行参数，它们是  一个 和  b  从  Y = AX + B  式中，和包含该数据点的文件。plotLR.go  不能单独计算  a  和  b 的事实   使您有机会 使用自己的值或由其他实用程序计算出的值来试验a 和  b 。   
plotLR.go 的第一部分   如下：
包主
导入（
    “编码/ csv”
    “旗”
    “ fmt”
    “ gonum.org/v1/plot”
    “ gonum.org/v1/plot/plotter”
    “ gonum.org/v1/plot/vg”
    “图像/颜色”
    “ os”
    “ strconv”
）
输入xy struct {
    x [] float64
    y [] float64
}
func（d xy）Len（）int {
    返回len（dx）
}
func（d xy）XY（i int）（x，y float64）{
    x = dx
    y = dy
    返回
}
该  LEN（） 和  XY（） 需要用于绘制部分的方法，而  图像/色彩 是需要在输出改变颜色包。
plotLR.go 的第二部分   包含以下代码：
func main（）{
    flag.Parse（）
    如果len（flag.Args（））<3 {
        fmt.Printf（“用法：plotLR文件名ab \ n”）
        返回
    }
    文件名：= flag.Args（）[0]
    文件，err：= os.Open（文件名）
    如果err！= nil {
        fmt.Println（err）
        返回
    }
    延迟file.Close（）
    r：= csv.NewReader（文件）
    a，错误：= strconv.ParseFloat（flag.Args（）[1]，64）
    如果err！= nil {
        fmt.Println（a，“无效的浮点数！”）
        返回
    }
    b，错误：= strconv.ParseFloat（flag.Args（）[2]，64）
    如果err！= nil {
        fmt.Println（b，“无效的浮点数！”）
        返回
    }
    记录err：= r.ReadAll（）
    如果err！= nil {
        fmt.Println（err）
        返回
    }
程序的此部分与命令行参数和数据读取一起使用。
plotLR.go 的第三部分   如下：
    大小：= len（记录）
    数据：= xy {
        x：make（[[float64，size），
        y：make（[[float64，size），
    }
    对于我，v：=范围记录{
        如果len（v）！= 2 {
            fmt.Println（“每行预期有两个元素！”）
            返回
        }
        s，err：= strconv.ParseFloat（v [0]，64）
        如果err == nil {
            data.y = s
        }
        s，err = strconv.ParseFloat（v [1]，64）
        如果err == nil {
            data.x = s
        }
    }
plotLR.go 的最后一部分   如下：
    行：= plotter.NewFunction（func（x float64）float64 {return a * x + b}）
    line.Color = color.RGBA {B：255，A：255}
    p，错误：= plot.New（）
    如果err！= nil {
        fmt.Println（err）
        返回
    }
    plotter.DefaultLineStyle.Width = vg.Points（1）
    plotter.DefaultGlyphStyle.Radius = vg.Points（2）
    散点图，错误：= plotter.NewScatter（data）
    如果err！= nil {
        fmt.Println（err）
        返回
    }
    scatter.GlyphStyle.Color = color.RGBA {R：255，B：128，A：255}
    p.Add（散点图，行）
    w，err：= p.WriterTo（300，300，“ svg”）
    如果err！= nil {
        fmt.Println（err）
        返回
    }
    _，err = w.WriteTo（os.Stdout）
    如果err！= nil {
        fmt.Println（err）
        返回
    }
}
使用plotter.NewFunction（） 方法定义将要绘制的函数  。
此时，您应该通过执行以下命令来下载一些外部软件包：
$ go get -u gonum.org/v1/plot
$ go get -u gonum.org/v1/plot/plotter
$ go get -u gonum.org/v1/ plot / vg
执行  plotLR.go  将生成以下类型的输出：
$运行  plotLR.go  reg_data.txt
用法：  plotLR  文件名ab
$运行  plotLR.go  reg_data.txt 0.9463 -0.3985
<？xml version =“ 1.0”？>
<！-  由SVGo  和  Plotinum  VG 生成  ->
/ span> svg  width =“ 300pt” height =“ 300pt”  viewBox =“ 0 0 300 300”
xmlns =“ http://www.w3.org/2000/svg”
xmlns：xlink =“ http://www.w3.org/1999/xlink”>
<g transform =“ scale（1，-1）translate（0，-300）”>
。
。
。
因此，在使用生成的输出之前，应将其保存在文件中：
$去运行plotLR.go reg_data.txt 0.9463 -0.3985> output.svg
由于输出为  可缩放矢量图形  （SVG）格式，因此应将其加载到Web浏览器中才能查看结果。下图显示了我们数据的结果。
图1：plotLR的输出。去程序
图像的输出还将显示如何使用线性方程式对数据进行建模。
深入研究Go中的机器学习，指导您从基础统计技术到简单的回归和聚类，再到分类，神经网络和异常检测。从Mihalis Tsoukalos 编写的最新著作Mastering Go- Second Edition成为Go的专家  。   

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！