Python機器學習之線性模型

一、線性模型基本概念

?線性模型不是指某一個模型，而是一類模型。在機器學習領域，常用的線性模型包括，線性回歸、嶺回歸、套索回歸、邏輯回歸和線性SVC等。

1.線性模型的圖形表示——擬合兩點

?假設有兩個點（1，3）和（4，5），用python計算出穿過兩點的直線方程，并畫出圖形。

#求解穿過點的直線方程，并繪圖
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression #導入線性回歸模型
#輸入兩點的橫坐標
X = [[1], [4]]
#輸入兩點的縱坐標
y = [3, 5]

#用線性模型擬合這兩個點
lr = LinearRegression().fit(X, y)

#畫出兩個點和直線圖形
z = np.linspace(0, 5, 20)
plt.scatter(X, y, s=80)
plt.plot(z, lr.predict(z.reshape(-1, 1), c='k'))
#設定圖片標題
plt.title('Straight Line')
#輸出直線方程
print('直線方程為：')
print('==========================')
print('y = {:.3f}'.format(lr.coef_[0]), 'x',' + {:.3f}'.format(lr.intercept_))
plt.show()

執行結果如下，直線穿過兩個點：

直線方程為：
==========================
y = 0.667 x  + 2.333
4.1line_equation.png

注釋1：

numpy.linspace 用來生成等差數列

函數原型：numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

參數解釋：
?start:返回樣本數據開始點
?stop:返回樣本數據結束點
?num:生成的樣本數據量，默認為50
?endpoint：True則包含stop；False則不包含stop
?retstep：If True, return (samples, step), where step is the spacing between samples.(即如果為True則結果會給出數據間隔)
?dtype：輸出數組類型
?axis：0(默認)或-1
返回類型：
Return evenly spaced numbers over a specified interval.
(在start和stop之間返回均勻間隔的數據)

Returns num evenly spaced samples, calculated over the interval [start, stop].
(返回的是 [start, stop]之間的均勻分布)
The endpoint of the interval can optionally be excluded.
Changed in version 1.16.0: Non-scalar start and stop are now supported.
(可以選擇是否排除間隔的終點)

注釋2：

reshape（行，列） 可以根據指定的數值將數據轉換為特定的行數和列數，就是轉換成矩陣。

如果 reshape（-1，1）或者 reshape（1，-1）意味著轉換成為一列或者一行

注釋3：

sklearn.linear_model.LogisticRegression

函數原型：sklearn.linear_model.LogisticRegression(penalty=’l2’, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver=’liblinear’, max_iter=100, multi_class=’ovr’, verbose=0, warm_start=False, n_jobs=1)
參數解釋：
?penalty: 一個字符串，指定了正則化策略。可選 l2 、l1
?dual : 一個布爾值。如果為True，則求解對偶形式(只在penalty=‘l2’且solver=‘liblinear’有對偶形式)，如果為False，則求解原始形式。
?C : 一個浮點數。它指定了罰項系數的倒數。如果它的值越小，則正則化項越大。
?fit_intercept : 一個布爾值，指定是否需要計算b值。如果為False，那么不計算b值。
?intercept_scaling : 一個浮點數。只有當solver=‘liblinear’才有意義。當采用fit_intercept時，相當于人造了一個特征，該特征恒為1，其權重為b。在計算正則化項的時候，該人造特征也被考慮了。因此為了降低這個人造特征的影響，需要提供intercept_scaling。
?class_weight : 一個字典或者字符串‘balanced’。
??? ?字典 : 字典給出每個分類的權重。
????balanced : 每個分類的權重與該分類在樣本集中出現的頻率成反比。
未指定 : 每個分類權重都為1。
?max_iter : 一個整數，制定最大迭代數。
?random_state :一個整數或者一個RandomState實例，或者None。
整數，則指定了隨機數生成器的種子。
????RandomState，則指定了隨機數生成器。
????None，則默認使用隨機數生成器。
?solver : 一個字符串，指定了求解最優化的算法，可以為：
????newton-cg : 使用牛頓法。只適用于penalty=‘l2’。
????lbfgs : 使用L-BFGS擬牛頓法。只適用于penalty=‘l2’。
????liblinear : 使用liblinear，適用于小數據集。
????sag : 使用Stochastic Average Gradient Descent算法，適用于大數據集。只適用于penalty=‘l2’。
?tol : 一個浮點數，指定判斷迭代收斂與否的閾值
?multi_class : 一個字符串，指定對于多分類問題的策略，可以為：
????ovr : 采用one-vs-rest策略。
????multinomial : 直接采用多分類邏輯回歸策略，不能與liblinear共存。
?verbose : 一個正數。用于開啟關閉迭代中輸出日志。
?warm_start: 一個布爾值。如果為True，那么使用前一次訓練結果繼續訓練。否則從頭開始訓練
?n_jobs : 一個正數。任務并行時指定的CPU數量。如果為-1則使用所有可用的CPU。
返回類型：
coef_ : 權重向量。
intercept_ :b值。
n_iter :實際迭代次數。

2.線性模型的圖形表示——擬合三點

?再增加一個點（3， 3）再看結果

#求解穿過點的直線方程，并繪圖
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression #導入線性回歸模型
#輸入兩點的橫坐標
#X = [[1], [4]]
#輸入兩點的縱坐標
#y = [3, 5]

#輸入三點的橫坐標
X = [[1], [4], [3]]
#輸入三點的縱坐標
y = [3, 5, 3]

#用線性模型擬合輸入點
lr = LinearRegression().fit(X, y)

#畫出點和直線圖形
z = np.linspace(0, 5, 20)
plt.scatter(X, y, s=80)
plt.plot(z, lr.predict(z.reshape(-1, 1)), c='k')
#設定圖片標題
plt.title('Straight Line')

#輸出直線方程
print('直線方程為：')
print('==========================')
print('y = {:.3f}'.format(lr.coef_[0]), 'x',' + {:.3f}'.format(lr.intercept_))
plt.show()

執行結果如下，直線未穿過三個點，但是位于一個和3個點距離相加最小的位置：

直線方程為：
==========================
y = 0.571 x  + 2.143
4.1line_equation_1.png

3.線性模型的圖形表示——擬合多點

?使用scikit-learn 生成的 make_regression 數據集

#求解穿過多點的直線方程，并繪圖
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_regression #回歸分析數據生成器
from sklearn.linear_model import LinearRegression #導入線性回歸模型

#生成用于回歸分析的數據集
X, y = make_regression(n_samples=50, n_features=1, n_informative=1, noise=50, random_state=1)

#使用線性模型對數據進行擬合
reg = LinearRegression()
reg.fit(X, y)

#z是生成的等差數列，用來畫出模型的預測結果圖形
z = np.linspace(-3, 3, 200).reshape(-1, 1)
plt.scatter(X, y, c='b', s=60)
plt.plot(z, reg.predict(z), c='k')

print('直線方程為：')
print('==========================')
print('y = {:.3f}'.format(reg.coef_[0]), 'x',' + {:.3f}'.format(reg.intercept_))
print('直線的斜率為：{:.2f}'.format(reg.coef_[0]))
print('直線的截距為：{:.2f}'.format(reg.intercept_))

plt.show()

執行結果如下:

直線方程為：
==========================
y = 79.525 x  + 10.922
直線的斜率為：79.52
直線的截距為：10.92
4.1line_equation_2.png

注釋：

sklearn.datasets.make_regression

函數原型：sklearn.datasets.make_regression(_samples=100, n_features=100, n_informative=10,
n_targets=1, bias=0.0, effective_rank=None,
tail_strength=0.5, noise=0.0, shuffle=True, coef=False,
random_state=None)

關鍵參數解釋：
?n_samples（生成樣本數）
?n_features（樣本特征數）
?noise（樣本隨機噪音）
?coef（是否返回回歸系數）

返回類型：
?X為樣本特征
?y為樣本輸出
?coef為回歸系數

二、基本的線性模型——線性回歸

?線性回歸，也稱為最小二乘法（OLS）。基于預測值很真實值的均方誤差最小化來進行模型求解的方法稱為“最小二乘法”。在線性回歸中，最小二乘法就是試圖找到一條直線，使所有樣本到直線上的歐式距離之和最小。線性回歸沒有可供用戶調節的參數。這意味著，模型的復雜度不可控。
?使用糖尿病數據集進行演示.

#線性回歸
#線性回歸
from sklearn.datasets import load_diabetes #載入糖尿病數據
from sklearn.linear_model import LinearRegression #導入線性回歸模型
from sklearn.model_selection import train_test_split #切分訓練集和測試集

X, y = load_diabetes().data, load_diabetes().target
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=8)

lr = LinearRegression().fit(X_train, y_train)

print('代碼運行結果為：')
print('==========================')
print('lr.coef_為：{}'.format(lr.coef_))
print('lr.intercept_為：{}'.format(lr.intercept_))
print('\n')
print('回歸方程為：')
print('==========================')
print('y = {:.3f}'.format(lr.coef_[0]), '*x1 + {:.3f}'.format(lr.coef_[1]), '*x2' ,' + ({})'.format(lr.intercept_))
print('\n')
print('==========================')
print("訓練數據得分：{:.2f}".format(lr.score(X_train, y_train)))
print("測試數據得分：{:.2f}".format(lr.score(X_test, y_test)))

執行結果如下:

代碼運行結果為：
==========================
lr.coef_為：[   11.5106203   -282.51347161   534.20455671   401.73142674 -1043.89718398
   634.92464089   186.43262636   204.93373199   762.47149733    91.9460394 ]
lr.intercept_為：152.5624877455247

回歸方程為：
==========================
y = 11.511 *x1 + -282.513 *x2  + (152.5624877455247)
==========================
訓練數據得分：0.53
測試數據得分：0.46

結果顯示得分很低，也就是模型在實際數據中效果不好，出現了過擬合現象，因此，需要對線性回歸模型就行正則化，使得可以控制模型的復雜度。

2.1、使用L2正則化的線性模型——嶺回歸

?嶺回歸是一種改良的最小二乘法。可以避免過擬合。在嶺回歸中，模型會保留所有的特征變量，但是會減小特征變量的系數值，讓特征變量對預測結果的影響變小，在嶺回歸中是通過改變其alpha參數來控制減小特征變量系數的程度。而這種通過保留全部特征變量，只是降低特征變量的系數值來避免過擬合的方法，成為L2正則化。
?在嶺回歸中。是通過linear_model.Ridge函數來調用的。以糖尿病為例，并對比不同alpha值和線性回歸模型下，模型的coef_屬性值。

from sklearn.linear_model import Ridge #導入嶺回歸
from sklearn.linear_model import LinearRegression #導入線性回歸模型
from sklearn.datasets import load_diabetes #載入糖尿病數據
from sklearn.model_selection import train_test_split #切分訓練集和測試集
import matplotlib.pyplot as plt

X, y = load_diabetes().data, load_diabetes().target
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=8)

lr = LinearRegression().fit(X_train, y_train)

#取不同的 alpha 來看參數對結果的影響
ridge1 = Ridge(alpha=1).fit(X_train, y_train)
ridge10 = Ridge(alpha=10).fit(X_train, y_train)
ridge01 = Ridge(alpha=0.1).fit(X_train, y_train)

print('代碼運行結果為：')
print('==========================')
print("訓練數據得分：{:.2f}".format(ridge10.score(X_train, y_train)))
print("測試數據得分：{:.2f}".format(ridge10.score(X_test, y_test)))

#繪制 線性模型系數
plt.plot(lr.coef_, 'o', label = 'LinearRegression')
#繪制 alpha = 0.1 時的模型系數
plt.plot(ridge01.coef_, 's', label = 'Ridge alpha=0.1')
#繪制 alpha = 1 時的模型系數
plt.plot(ridge1.coef_, '^', label = 'Ridge alpha=1')
#繪制 alpha = 10 時的模型系數
plt.plot(ridge10.coef_, 'v', label = 'Ridge alpha=10')
plt.xlabel("coefficient index 系數序號")
plt.ylabel("coeffient magniutde 系數量級")
plt.hlines(0, 0, len(lr.coef_))
plt.legend()
plt.show()

運行結果為：


4.3Ridge_model.png

圖中。橫軸為coef_屬性，縱軸為特征變量的系數量級。從圖中可以看出，當 alpha = 10 時，特征變量系數大多在0附近；當 alpha = 1時，嶺回歸的特征變量系數明顯增大；；當 alpha = 0.1 時，嶺回歸的特征變量系數更大，甚至于線性回歸模型的點重合了。
?另外一個理解正則化對模型的影響的方法，就取一個固定的alpha值，然后改變訓練集的數據量，得到一個隨數據集大小而不斷改變的模型評分折線圖，具體代碼如下：

import numpy as np
from sklearn.linear_model import Ridge #導入嶺回歸
from sklearn.linear_model import LinearRegression #導入線性回歸模型
from sklearn.datasets import load_diabetes #載入糖尿病數據
from sklearn.model_selection import train_test_split #切分訓練集和測試集
from sklearn.model_selection import learning_curve,KFold
import matplotlib.pyplot as plt

X, y = load_diabetes().data, load_diabetes().target

#定義一個繪制折線圖的函數
def plot_learning_curve(est, X, y):
    training_set_size, train_scores, test_scores = learning_curve(est, X, y, train_sizes=np.linspace(.1, 1, 20),
                                                                  cv=KFold(20, shuffle=True, random_state=1))
    estimator_name = est.__class__.__name__
    line = plt.plot(training_set_size, train_scores.mean(axis=1), '--', label="training "+ estimator_name)
    plt.plot(training_set_size, test_scores.mean(axis=1), '--', label="test "+ estimator_name, c=line[0].get_color())
    plt.xlabel('Trainint set size')
    plt.ylabel('Score')
    plt.ylim(0, 1.1)

plot_learning_curve(Ridge(alpha=1), X, y)
plot_learning_curve(LinearRegression(), X, y)
plt.legend(loc=(0, 1.05), ncol=2, fontsize=11)
plt.show()

執行結果如下：


4.4Ridge_model_curves.png

?從圖上可以看出，由于嶺回歸模型是進過正則化的模型，因此它在整個圖像中訓練數據及的得分比線性回歸的低，但是嶺回歸的測試數據集得分和訓練數據集得分差異小。隨著數據集的增加，如果有足夠多的數據，那么正則化就沒那么重要了，嶺回歸和線性回歸的表現相差無幾。

注釋1：

sklearn.model_selection.learning_curve

函數原型：sklearn.model_selection.learning_curve(estimator, X, y, groups=None, train_sizes=array([0.1, 0.33, 0.55, 0.78, 1. ]), cv=’warn’, scoring=None, exploit_incremental_learning=False, n_jobs=None, pre_dispatch=’all’, verbose=0, shuffle=False, random_state=None, error_score=’raise-deprecating’)

關鍵參數解釋：
?estimator：實現“ fit”和“ predict”方法的對象類型。每次驗證都會克隆的該類型的對象。
?X：數組類，形狀（n_samples，n_features）。訓練向量，其中n_samples是樣本數，n_??features是特征數。
?y：數組類，形狀（n_samples）或（n_samples，n_features），可選。相對于X的目標進行分類或回歸；無監督學習無。
?groups：數組類，形狀為（n_samples，），可選。將數據集拆分為訓練/測試集時使用的樣本的標簽分組。僅用于連接交叉驗證實例組（例如GroupKFold）。
?train_sizes：數組類，形狀（n_ticks），dtype float或int。訓練示例的相對或絕對數量，將用于生成學習曲線。如果dtype為float，則視為訓練集最大尺寸的一部分（由所選的驗證方法確定），即，它必須在（0，1]之內，否則將被解釋為絕對大小注意，為了進行分類，樣本的數量通常必須足夠大，以包含每個類中的至少一個樣本（默認值：np.linspace（0.1，1.0，5））
?cv：int，交叉驗證生成器或可迭代的，可選的.確定交叉驗證拆分策略。cv的可能輸入是：
?? None，要使用默認的三折交叉驗證（v0.22版本中將改為五折）
?? 整數，用于指定（分層）KFold中的折疊數，
?? CV splitter
?? 可迭代的集（訓練，測試）拆分為索引數組。
?? 對于整數/無輸入，如果估計器是分類器，y是二進制或多類，則使用StratifiedKFold。在所有其他情況下，都使用KFold。
?scoring：字符串，可調用或無，可選，默認：None。字符串（參閱model evaluation documentation）或帶有簽名scorer(estimator, X, y)的計分器可調用對象/函數。
?exploit_incremental_learning：布爾值，可選，默認值：False. 如果估算器支持增量學習，此參數將用于加快擬合不同訓練集大小的速度。
?n_jobs：int或None，可選（默認=None）。要并行運行的作業數。None表示1。 -1表示使用所有處理器。有關更多詳細信息，請參見詞匯表。
?pre_dispatch：整數或字符串，可選。并行執行的預調度作業數（默認為全部）。該選項可以減少分配的內存。該字符串可以是“ 2 * n_jobs”之類的表達式。
?verbose：整數，可選。控制詳細程度：越高，消息越多。
?shuffle：布爾值，可選。是否在基于``train_sizes’'為前綴之前對訓練數據進行洗牌。
?random_state：int，RandomState實例或無，可選（默認=None）。如果為int，則random_state是隨機數生成器使用的種子；否則為false。如果是RandomState實例，則random_state是隨機數生成器；如果為None，則隨機數生成器是np.random使用的RandomState實例。在shuffle為True時使用。
?error_score：‘raise’ | ‘raise-deprecating’ 或數字。如果估算器擬合中出現錯誤，則分配給分數的值。如果設置為“ raise”，則會引發錯誤。如果設置為“raise-deprecating”，則會在出現錯誤之前打印FutureWarning。如果給出數值，則引發FitFailedWarning。此參數不會影響重新安裝步驟，這將始終引發錯誤。默認值為“不贊成使用”，但從0.22版開始，它將更改為np.nan。

返回類型：
?train_sizes_abs：數組，形狀（n_unique_ticks，），dtype int。已用于生成學習曲線的訓練示例數。 請注意，ticks的數量可能少于n_ticks，因為重復的條目將被刪除。
?train_scores：數組，形狀（n_ticks，n_cv_folds）。訓練集得分。
?test_scores：數組，形狀（n_ticks，n_cv_folds）。測試集得分。
函數參考：sklearn中的學習曲線learning_curve函數

注釋2：

sklearn.model_selection.KFold

函數原型：KFold（n_split, shuffle, random_state）
關鍵參數解釋：
?n_split：要劃分的折數
?shuffle:：每次都進行shuffle，測試集中折數的總和就是訓練集的個數
?random_state：隨機狀態

2.2、使用L1正則化的線性模型——套索回歸

?和嶺回歸一樣，套索回歸也會 將系數限制在非常接近0 的范圍內，但它限制的方式稱之為 L1 正則化。與L2 正則化不同的是，L1 正則化會導致在使用套索回歸的時候，有一部分特征的系數會正好等于0。也就是說，有一些特征會被模型忽略掉。下面再用糖尿病數據驗證套索回歸。

import numpy as np
from sklearn.linear_model import Ridge #導入套索回歸
from sklearn.linear_model import Lasso #導入嶺回歸
from sklearn.datasets import load_diabetes #載入糖尿病數據
from sklearn.model_selection import train_test_split #切分訓練集和測試集
import matplotlib.pyplot as plt


X, y = load_diabetes().data, load_diabetes().target
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=8)

#取不同的 alpha 來看參數對套索回歸的影響
lasso01= Lasso(alpha=0.1, max_iter=100000).fit(X_train, y_train)#max_iter迭代次數
lasso1= Lasso(alpha=1, max_iter=100000).fit(X_train, y_train)
lasso00001= Lasso(alpha=0.0001, max_iter=100000).fit(X_train, y_train)

#取不同的 alpha 來看參數對嶺回歸的影響
ridge01 = Ridge(alpha=0.1).fit(X_train, y_train)

#繪制 alpha =1 時的模型系數
plt.plot(lasso1.coef_, 's', label = "Lasso alpha=1")
#繪制 alpha =0.1 時的模型系數
plt.plot(lasso01.coef_, '^', label = "Lasso alpha=0.1")
#繪制 alpha =0.00001 時的模型系數
plt.plot(lasso00001.coef_, 'v', label = "Lasso alpha=0.00001")
#繪制 alpha =0.1 時的模型系數
plt.plot(ridge01.coef_, 'o', label = "Ridge alpha=0.1")

plt.legend(loc=(0, 1.05), ncol=2)
plt.xlabel("Coefficient index")
plt.ylabel("Coefficient magnitude")
plt.show()

執行結果如下圖，在alpha=1的時候，不僅大部分系數為0，僅存的幾個非零系數也特別小。在alpha=0.1的時候，雖然大部分系數為0，但僅存的幾個非零系數比alpha=1的時候的大。在alpha=0.0001的時候，模型幾乎沒有被正則化。


4.5Lasso_model.png

2.3、L1正則化和L2正則化的對比

?在實際應用中，嶺回歸是兩個模型中的優選。但要依據實際情況而定。
?數據集中的特征過多，而其中只有一小部分是真正重要的，選L1正則化的模型，如套索回歸。
?數據集中的特征本來就不多，而且每一個都有重要的作用，選L2正則化的模型，如嶺回歸。

三、其他線性模型

彈性網模型（Elastic Net）：綜合了套索回歸和嶺回歸的懲罰因子。實踐中，這兩個模型的組合效果是組好的，但需要調節2個參數，即L1正則化參數和L2正則化參數。
邏輯斯蒂回歸（Logis Regression）
線性支持向量機（Linear SVM）

?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明：文章內容（如有圖片或視頻亦包括在內）由作者上傳并發布，文章內容僅代表作者本人觀點，簡書系信息發布平臺，僅提供信息存儲服務。
  • 人面猴
    序言：七十年代末，一起剝皮案震驚了整個濱河市，隨后出現的幾起案子，更是在濱河造成了極大的恐慌，老刑警劉巖，帶你破解...
    沈念sama閱讀 227,837評論 6贊 531
  • 死咒
    序言：濱河連續發生了三起死亡事件，死亡現場離奇詭異，居然都是意外死亡，警方通過查閱死者的電腦和手機，發現死者居然都...
    沈念sama閱讀 98,196評論 3贊 414
  • 救了他兩次的神仙讓他今天三更去死
    文/潘曉璐 我一進店門，熙熙樓的掌柜王于貴愁眉苦臉地迎上來，“玉大人，你說我怎么就攤上這事。” “怎么了？”我有些...
    開封第一講書人閱讀 175,688評論 0贊 373
  • 道士緝兇錄：失蹤的賣姜人
    文/不壞的土叔 我叫張陵，是天一觀的道長。 經常有香客問我，道長，這世上最難降的妖魔是什么？ 我笑而不...
    開封第一講書人閱讀 62,654評論 1贊 309
  • ?港島之戀（遺憾婚禮）
    正文 為了忘掉前任，我火速辦了婚禮，結果婚禮上，老公的妹妹穿的比我還像新娘。我一直安慰自己，他們只是感情好，可當我...
    茶點故事閱讀 71,456評論 6贊 406
  • 惡毒庶女頂嫁案：這布局不是一般人想出來的
    文/花漫 我一把揭開白布。 她就那樣靜靜地躺著，像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上，一...
    開封第一講書人閱讀 54,955評論 1贊 321
  • 城市分裂傳說
    那天，我揣著相機與錄音，去河邊找鬼。 笑死，一個胖子當著我的面吹牛，可吹牛的內容都是我干的。 我是一名探鬼主播，決...
    沈念sama閱讀 43,044評論 3贊 440
  • 雙鴛鴦連環套：你想象不到人心有多黑
    文/蒼蘭香墨 我猛地睜開眼，長吁一口氣：“原來是場噩夢啊……” “哼！你這毒婦竟也來了？” 一聲冷哼從身側響起，我...
    開封第一講書人閱讀 42,195評論 0贊 287
  • 萬榮殺人案實錄
    序言：老撾萬榮一對情侶失蹤，失蹤者是張志新（化名）和其女友劉穎，沒想到半個月后，有當地人在樹林里發現了一具尸體，經...
    沈念sama閱讀 48,725評論 1贊 333
  • ?護林員之死
    正文 獨居荒郊野嶺守林人離奇死亡，尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 40,608評論 3贊 354
  • ?白月光啟示錄
    正文 我和宋清朗相戀三年，在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 42,802評論 1贊 369
  • 活死人
    序言：一個原本活蹦亂跳的男人離奇死亡，死狀恐怖，靈堂內的尸體忽然破棺而出，到底是詐尸還是另有隱情，我是刑警寧澤，帶...
    沈念sama閱讀 38,318評論 5贊 358
  • ?日本核電站爆炸內幕
    正文 年R本政府宣布，位于F島的核電站，受9級特大地震影響，放射性物質發生泄漏。R本人自食惡果不足惜，卻給世界環境...
    茶點故事閱讀 44,048評論 3贊 347
  • 男人毒藥：我在死后第九天來索命
    文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧，春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 34,422評論 0贊 26
  • 一樁弒父案，背后竟有這般陰謀
    文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至，卻和暖如春，著一層夾襖步出監牢的瞬間，已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 35,673評論 1贊 281
  • 情欲美人皮
    我被黑心中介騙來泰國打工， 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留，地道東北人。 一個月前我還...
    沈念sama閱讀 51,424評論 3贊 390
  • 代替公主和親
    正文 我出身青樓，卻偏偏與公主長得像，于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子，可洞房花燭夜當晚...
    茶點故事閱讀 47,762評論 2贊 372