这篇博文，第五篇我们的系列在六篇关于线性回归的文章中，重点关注那些希望使用编程语言自动化机器学习工作流的用户。如果您关注BigML博客，您可能已经熟悉beplay2网页登陆嗖嗖，Bbeplay2网页登陆igML的领域特定语言，用于自动化机器学习工作流，实现高级机器学习算法，并方便地与他人共享。WhizzML帮助开发人员创建机器学习工作流，并完全在云中执行它们。这避免了网络问题、内存问题和计算能力不足，同时充分利用了WhizzML内置的并行化功能。如果您还不熟悉WhizzML，我们建议您阅读我们今年夏天发布的关于如何使用WhizzML的一系列文章创建WhizzML脚本s:第一部分,第二部分和第三部分快速发现好处。

为了帮助自动操作BigML的机器学习资源，我们还维护了一组beplay2网页登陆绑定,它允许用户在BigML平台上使用他们最喜欢的语言（Java、C#、PHP、Swift等）。beplay2网页登陆

让我们看看如何通过流行的BigML Python绑定和WhizzML使用线性回归beplay2网页登陆此绑定列表.

第一步是创建线性回归使用默认设置。我们从现有数据集开始以BigML训练模型，因此我们对API的调用将需要包括我们要用于训练的数据集ID，如下所示：beplay2网页登陆

；使用默认参数创建线性回归(定义我的线性回归(创建线性回归{“数据集”培训（数据集}）

BigMbeplay2网页登陆L API基本上是异步的，也就是说，上述创建函数将在线性回归创建完成之前返回响应，通常响应会通知创建已经开始，并且资源正在进行中。这意味着线性回归没有准备好在执行代码段后立即使用它进行预测d、 因此，在开始预测之前，您必须等待它的完成。完成预测后获得它的一种方法是使用指令“create and wait linearregression”：

；；使用默认设置创建线性回归。一旦；；完成，ID将存储在my_线性回归变量中(定义我的线性回归(创建并等待线性回归{“数据集”培训（数据集}）

如果您更喜欢使用Python绑定，等效代码如下：

从…起beplay2网页登陆bigml.api进口beplay2网页登陆应用程序编程接口=beplay2网页登陆()我的线性回归=\应用程序编程接口.创建线性回归(“数据集/59b0f8c7b95b392f12000000”)

接下来，我们将使用WhizzML配置线性回归的一些属性。可以使用属性对轻松添加所有配置属性，例如<财产名称>及<财产价值>如下例所示。例如，要从数据集创建优化的线性回归，BigML将模型候选数设置为beplay2网页登陆128。如果您希望减少步骤数，则应添加属性“模型候选数量”并将其设置为10此外，如果缺少数字字段，您可能需要设置线性回归使用的值“默认数值”属性设置为正确的值。在下面的示例中，它将替换为平均值。

;; 使用某些设置创建线性回归。一旦成功；；完成此ID存储在my_linearregression变量中(定义我的线性回归(创建并等待线性回归{“数据集”训练数据集“模型候选数量”10“默认数值”“平均值”}))

注意：在上一个示例中，属性名称始终需要在引号之间，并且值应以适当的类型、字符串或数字表示。BigML Python绑定的等效代码为：beplay2网页登陆

从…起beplay2网页登陆bigml.api进口beplay2网页登陆BigML api=BigML（）参数={“最大迭代次数”:100000,“默认数值”:“平均值”}训练数据集=“数据集/59b0f8c7b95b392f12000000”my_linearregression=api.create_预测（训练数据集，args）

有关BigML提供的完整属性列表，请查看专用beplay2网页登陆API文档。

一旦建立了线性回归，与通常的受监督资源一样，我们可以评估它的性能有多好。现在，我们将使用具有非重叠数据的不同数据集来检查线性回归性能。下面显示的代码中的“test_dataset”参数表示第二个数据集。遵循“少即是多”的座右铭，执行评估的WhizzML代码只有两个必需参数：要评估的线性回归和用作测试数据的数据集。

;; 创建线性回归的评估(定义我的线性回归(创建评估{“线性回归”我的线性回归“数据集”测试（数据集}）

汉迪，对吗？类似地，使用Python绑定，使用以下代码段完成计算：

从…起beplay2网页登陆bigml.api进口beplay2网页登陆BigML api=BigML（）我的线性回归=“线性回归/59b0f8c7b95b392f12000000”测试数据集=“数据集/59b0f8c7b95b392f12000002”evaluation=api.创建评估（我的线性回归，测试数据集）

按照典型工作流的步骤，在对线性回归进行良好评估后，可以对新的观测集进行预测。在下面的代码中，我们演示了最简单的设置，其中仅对数据集中的某些字段进行预测。

;; 使用特定输入数据的线性回归创建预测(定义我的预言(创建预测{“线性回归”我的线性回归“输入数据”{“萼片长度”2.“萼片宽度”3.}}))

BigML Python绑定的等效代码为：beplay2网页登陆

从…起beplay2网页登陆bigml.api进口beplay2网页登陆BigML api=BigML（）输入数据={“萼片长度”:2.,“萼片宽度”:3.}我的线性回归=“线性回归/59b0f8c7b95b392f12000000”预测=api。创建预测（我的线性回归，输入数据）

在这两种情况下，WhizzML或Python绑定，在输入数据中，您可以使用字段名或字段ID，“000002”: 3或“萼片宽度”：3是等价的表达式。

与此预测（计算并存储在BigML服务器中）相反，Python绑定（和其他可用绑定）还允许您在计算机或设备上立即创建单个本地预测。线beplay2网页登陆性回归信息将在您第一次使用时下载到您的计算机上（仅在您第一次访问模型时才需要连接），并且预测将在您的计算机上本地计算，无任何增量成本或延迟：

从…起beplay2网页登陆线性回归进口线性回归局部\线性回归=线性回归(“线性回归/59b0f8c7b95b392f12000000”)输入数据={“萼片长度”:2.,“萼片宽度”:3.}局部线性回归。预测（输入数据）

同样，从现有线性回归在云中创建批处理预测也非常简单，其中名为“my_dataset”的数据集包含一组新实例，由模型进行预测：

;; 使用线性回归“my_linearregression”创建批处理预测；；以及数据集“my_数据集”作为要预测的数据(定义我的预言(创建批处理预测{“线性回归”我的线性回归“数据集”我的_数据集}）

Python绑定中执行相同任务的代码是：

从…起beplay2网页登陆bigml.api进口beplay2网页登陆应用程序编程接口=beplay2网页登陆()我的线性回归=“线性回归/59d1f57ab95b39750c000000”my_数据集=“数据集/59b0f8c7b95b392f12000000”我的预言=应用程序编程接口.创建批处理预测(我的线性回归,我的_数据集)

想知道更多关于线性回归的知识吗？

我们的下一篇博文，本系列的最后一篇，将涵盖线性回归在幕后是如何工作的，深入到BigML最新资源的技术实现方面。如果您有任何问题或想了解更多关于线性回归的工作原理，请访问beplay2网页登陆专用发布页面. 除了BigML仪表板和API文档之外，它还包括指向这一系列六篇博客文章的链接。beplay2网页登陆