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。
: M  ~/ z+ u% f2 Y# %%

1. import numpy as np- v- e. E, `+ g. n
   
2. import pandas as pd( W4 A) D5 Y# i7 d7 n4 q
   
3. from sklearn.linear_model import LinearRegression
   . x9 Y4 k% }# i7 |% x: X\" f

复制代码

# %%

+ E/ H  M, ^) Y: b: m# 源数据

1. df = pd.DataFrame({$ _1 m: R/ C% Z$ ~. Y
   
2.     'x1': [7, 1, 11, 11, 7, 11, 3],
   9 Y0 f% J5 B1 f: N! m/ L; p/ z
3.     'x2': [26, 29, 56, 31, 52, 55, 71],
   * }7 H. Y7 T( u5 Y1 y/ g, J
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],
   ' R; L+ B* ]5 V  `\" V. J$ c
5. })
   7 F& n7 c( G( n/ I( T: I( A
6.   \0 [6 y0 g3 ~' z0 a% X
   
7. X = np.array(df[['x1','x2']])8 Y9 n& c7 h- L% k3 `3 f, C: b8 M
   
8. y = np.array(df[['y']])

复制代码

# 多元线性回归模型

1. model = LinearRegression().fit(X, y)! c( B4 K% A* y7 h5 [1 d
   

复制代码

# %%
+ q, m) w; \& A8 F1 f, c
8 R8 W7 K7 G) X! g) M( d: J: v# 截距
b0 = model.intercept_[0]

: x& V' \. P, y! T6 X! ?; \# 系数
* z* {% h: _2 O7 ab1, b2 = model.coef_[0]
* O8 ^% {5 |. E# X5 {
print('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1,b2))
: z3 D# Q7 h( T0 x$ uprint('R_square =',model.score(X,y))


# i! }* i) B' |) W7 z/ k