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。
; [# c! k2 {: t+ q0 ^# %%

1. import numpy as np
   , U7 J\" ?, b\" ^% j+ o- l
2. import pandas as pd, R: g, H4 R' m2 {  v6 v& S
   
3. from sklearn.linear_model import LinearRegression3 z/ s: ?5 e! u5 Y4 h$ C
   

复制代码

# %%

# 源数据

1. df = pd.DataFrame({
   4 W0 o$ U. l. h
2.     'x1': [7, 1, 11, 11, 7, 11, 3],
   5 e$ @5 N) b) L0 H+ B7 |+ l
3.     'x2': [26, 29, 56, 31, 52, 55, 71],
   # o; s/ q4 Z. j6 E
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],$ g8 `* V3 {+ j  `* h+ I7 _
   
5. })# _% I) V2 h3 Y* k: P8 I+ G
   
6. 9 ]; S' T\" {4 `3 V5 z
   
7. X = np.array(df[['x1','x2']])\" d) R& n; b\" y# w
   
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 ^, ^8 T- o+ O$ r4 R

复制代码

# %%
+ p+ `# q* @6 l( d# y7 o3 O
3 B5 h# [+ f' u9 a4 e) h4 i. e# 截距
+ I% I" f' ]: ~. s% Z: S" Db0 = model.intercept_[0]
! G8 {  s9 y" N
2 C* g( ~; v5 e% O  ~  S, F# 系数
& @, J9 {- |2 q/ ^5 G; eb1, b2 = model.coef_[0]
# x& N0 B! a1 |
print('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1,b2))
print('R_square =',model.score(X,y))

0 d! y" l. O7 r8 z
% C6 N4 c2 S: H- q0 j