使用 sklearn 进行多元线性回归

2744557306

多元线性回归是一种强大的统计方法，适用于探索多个自变量与因变量之间的复杂关系，并进行预测和解释。
# %%

1. import numpy as np
   . }* S1 q1 B! s
2. import pandas as pd2 {0 Z3 @7 V2 m3 w/ {, z% `
   
3. from sklearn.linear_model import LinearRegression; L( u7 v0 e& b6 {
   

复制代码

# %%

1 W6 A% F3 X4 x$ L# 源数据

1. df = pd.DataFrame({
   2 I5 L7 D& ^5 ~8 w7 Q& }
2.     'x1': [7, 1, 11, 11, 7, 11, 3],1 o  F. }+ Z0 E* y' k
   
3.     'x2': [26, 29, 56, 31, 52, 55, 71],0 E2 v9 _' v( Q1 c6 F
   
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],/ A. K  ?1 g; U. L' u. v
   
5. })
   % e( m: w4 |: i9 y* S
6. 
   0 c4 V! m2 ]: n. J% b3 Y
7. X = np.array(df[['x1','x2']])
   4 O; E% _! p7 U6 Y8 q
8. y = np.array(df[['y']])

复制代码

# 多元线性回归模型

1. model = LinearRegression().fit(X, y)
   9 v! y6 o5 G3 Y% w1 f' J7 k; U

复制代码

# %%

& ]9 s" y9 s; j4 Z5 F5 f" _8 w# 截距
6 P7 ]0 @# D" s3 ?b0 = model.intercept_[0]
0 N- }- {! [1 z! ^
4 q: B- d  j" l# 系数
! {. @& M/ x+ G0 \b1, b2 = model.coef_[0]
7 ]8 p$ V. ], u6 O: B; ~
' E6 g9 F. {+ b  p& ]5 I7 Hprint('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1,b2))
- |( n! w1 G) _$ [% {1 t8 @. pprint('R_square =',model.score(X,y))
, G( C1 h- V' t
4 K0 @% k9 ~) ~/ ^5 {7 Q0 y( o