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。
' M7 Q; J6 W% d: [3 b- {# %%

1. import numpy as np  M$ a: S6 q# z) s0 S( h; z
   
2. import pandas as pd
   ( O6 d0 z) _, U
3. from sklearn.linear_model import LinearRegression
   ' k: x6 k* ~! }) i

复制代码

# %%
: h9 |3 P, p: F- Z
- O+ B7 n0 t; a# 源数据

1. df = pd.DataFrame({0 d( j\" {2 r7 @! A7 O
   
2.     'x1': [7, 1, 11, 11, 7, 11, 3],1 k& h( h, B  h
   
3.     'x2': [26, 29, 56, 31, 52, 55, 71],
   # @; s3 {  C: `  d6 V* V
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],% e+ E, R1 p7 e. S( @1 W
   
5. })
   3 E4 _) C3 X* j/ p/ a
6. 
   4 [2 i- J- I& u. c\" L
7. X = np.array(df[['x1','x2']])\" P6 g5 l8 e5 t3 h# 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)
   3 O\" P& g- x; j$ z% |

复制代码

# %%

( w  Y8 T& T  ?# ?$ Z# 截距
% ?" p6 u; V, Pb0 = model.intercept_[0]
0 M! p& n8 ^. x. g  o( B/ |( T
! r4 l3 i  w# {# 系数
' y+ I( D0 j, V/ T3 Jb1, b2 = model.coef_[0]

print('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1,b2))
- P0 v' p1 d! `print('R_square =',model.score(X,y))
. _5 U* M% }: X' \! f/ L
4 [) ~7 k# t3 @* @% v, ?