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
   ; }9 u( u9 @* x, K6 ]. j: V
2. import pandas as pd) ?8 |9 [7 J; J. E2 G
   
3. from sklearn.linear_model import LinearRegression, `' k3 Y2 h2 h6 K
   

复制代码

# %%
& v/ Y: K, u: Y% g' g# w" B
# 源数据

1. df = pd.DataFrame({
   9 n\" `% Z8 L4 P
2.     'x1': [7, 1, 11, 11, 7, 11, 3],
   & F8 }7 A. U+ d; X8 u
3.     'x2': [26, 29, 56, 31, 52, 55, 71],
   . x6 O( z2 J! Q- I* N; {* Y8 N
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],
   + J+ K/ F2 v; O5 F* |9 |
5. })2 O4 J# m# q' _5 E
   
6. ) `1 ~7 Q4 y& S  \) ]
   
7. X = np.array(df[['x1','x2']])* I8 ]0 s( ^' L: ]7 t/ S
   
8. y = np.array(df[['y']])

复制代码

# 多元线性回归模型

1. model = LinearRegression().fit(X, y)
   1 v9 g7 {4 {1 y/ c& B4 @/ B* J4 g6 w& T5 N

复制代码

# %%
- ]0 k5 E: j' n5 W1 w" k1 n
# 截距
% A3 V6 H: S$ C& D' u# nb0 = model.intercept_[0]
. {/ K4 E, l  `( ?6 e) R' T) E0 }" _
# 系数
b1, b2 = model.coef_[0]

print('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1,b2))
& Y+ @: g1 @5 E, m: sprint('R_square =',model.score(X,y))

; S& M# Q- ^; b# W