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。
. R- r& r( G2 W! m' B0 U6 J# %%

1. import numpy as np
   & a! J5 s' q* j4 Z1 u
2. import pandas as pd
   ) ^6 d) @* p, G4 ~& t8 U* a5 @6 m; d
3. from sklearn.linear_model import LinearRegression
   * B9 t0 l8 _5 f+ |

复制代码

# %%
& F# X( c: |! J* `
# 源数据

1. df = pd.DataFrame({
   0 h6 T4 `, p- B5 Y! J# i5 @
2.     'x1': [7, 1, 11, 11, 7, 11, 3],
   * ?2 u- o5 w' w  y* G
3.     'x2': [26, 29, 56, 31, 52, 55, 71],0 }4 ~) j8 W\" N3 s; {% V4 |
   
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],
   : C; x& d4 t! n' Z2 w4 d* G* f
5. })
   7 G+ Y& ]7 P# a) _
6. ! Q. o, J. x# ^. d. u  u  L
   
7. X = np.array(df[['x1','x2']])
   0 G7 Z, o& _; I1 C4 ]
8. y = np.array(df[['y']])

复制代码

# 多元线性回归模型

1. model = LinearRegression().fit(X, y). V/ F! C1 x+ O' n7 ?  [
   

复制代码

# %%
) E2 }6 l; P; k4 \; T
: @$ ~6 p# I/ W% p( }8 F# 截距
7 G1 Q: T& }; V' F8 ]8 Lb0 = model.intercept_[0]
$ [3 `0 c1 b1 T) A6 l
# 系数
b1, b2 = model.coef_[0]
/ m) e+ D) S! X" q! G
print('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1,b2))
4 I- ^" l, a+ F6 \; Bprint('R_square =',model.score(X,y))
) Z9 d# _3 b9 P5 o7 K: A
0 ~) K" U9 g$ C3 F; d5 B& Y