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/ G$ X# M* D3 @# G8 S3 r
   
2. import pandas as pd( Z4 y/ q7 O4 c
   
3. from sklearn.linear_model import LinearRegression
   3 p  a; \/ P0 H

复制代码

# %%

# 源数据

1. df = pd.DataFrame({
   $ a' r; o6 @0 ^8 N7 ~5 O
2.     'x1': [7, 1, 11, 11, 7, 11, 3],) P& X9 v9 o5 v1 \
   
3.     'x2': [26, 29, 56, 31, 52, 55, 71],
   $ Z1 m, I; m7 |2 M\" {
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],
   5 }' R- r% p\" ]4 f( c
5. })' _) e) z* y: o$ _! y( }
   
6. + T1 R\" w. d2 N- E  g
   
7. X = np.array(df[['x1','x2']])
   - ]3 o6 O\" h0 P\" W, e) I
8. y = np.array(df[['y']])

复制代码

# 多元线性回归模型

1. model = LinearRegression().fit(X, y). o4 o\" U- S7 `/ e$ i4 r
   

复制代码

# %%
/ N4 N5 Y  C* V9 S1 @! }) V# ^
( [! a/ o& M) b% k  f* a# 截距
$ N% `, C: ?: h) [' bb0 = model.intercept_[0]

# 系数
b1, b2 = model.coef_[0]

print('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1,b2))
print('R_square =',model.score(X,y))
; U) x. k8 z" ~
- l3 h) j. X7 D! u$ [) S( K$ T
$ \9 u6 `7 G  ]% x: R5 n0 k