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。
/ ?5 y( d$ o+ j7 }" m) j9 \# %%

1. import numpy as np
   ! f  u. C- ~. M4 S0 x3 ^
2. import pandas as pd
     \, z+ U0 q0 o3 T6 `9 z( ]
3. from sklearn.linear_model import LinearRegression* U3 ]1 V- l8 G. k
   

复制代码

# %%
2 q/ \, Z/ s2 @1 D/ Z, j+ C
  X/ v2 A; o1 Q0 G* X# 源数据

1. df = pd.DataFrame({
   ! t3 }+ l5 g. l
2.     'x1': [7, 1, 11, 11, 7, 11, 3],# O5 [, D: h6 l! I0 k! L7 l! B) n
   
3.     'x2': [26, 29, 56, 31, 52, 55, 71],
   : o$ m5 V. _1 |9 `$ g
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],
   \" D# X: e* _* h8 B; N, v
5. })
   5 H* m' i/ s; l) a4 P  b$ D& T1 \
6. 
   % \; ~5 j1 J( l
7. X = np.array(df[['x1','x2']])
   # s% `0 s4 G/ p; L, C/ @( \
8. y = np.array(df[['y']])

复制代码

# 多元线性回归模型

1. model = LinearRegression().fit(X, y)
   ) U7 z. j9 i/ o% O$ r+ l

复制代码

# %%
7 ?" ^* T5 d  U/ D3 q2 {
) M7 G9 A4 b: c: |# 截距
2 X- `3 _( c) wb0 = model.intercept_[0]
6 N! C) \1 o, @; u0 e4 z6 g( k  k
# 系数
/ L2 n2 y$ w; `+ O5 l0 P) ~! |b1, b2 = model.coef_[0]
" l, c; \- e, v# d- B% A( R
print('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1,b2))
5 E: W: \! p, t; `5 Y$ D, I3 wprint('R_square =',model.score(X,y))
  _0 Z  M4 E/ c1 @+ P/ l