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。
3 t; g# k5 a5 l4 {; k# %%

1. import numpy as np+ w+ M) y3 h- D4 v0 M. {
   
2. import pandas as pd
   0 u' Y- _& e. ]4 G1 O
3. from sklearn.linear_model import LinearRegression
   4 n* w: O* H# R/ P% @

复制代码

# %%
/ J) j; ^% ~0 W2 U: t* i- ^  u
# 源数据

1. df = pd.DataFrame({
   7 b3 E. k7 G- ]  c+ x0 r% m
2.     'x1': [7, 1, 11, 11, 7, 11, 3],  M/ V2 z! S. W# f
   
3.     'x2': [26, 29, 56, 31, 52, 55, 71],
   : N% x3 z- }2 j# D; ~4 `
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],
   4 J, g' J% I. B/ {. p- G
5. })8 q7 ?9 p: D* |
   
6. 
   4 ~7 d+ U6 P) U
7. X = np.array(df[['x1','x2']]); \: l4 y0 L! z2 X
   
8. y = np.array(df[['y']])

复制代码

# 多元线性回归模型

1. model = LinearRegression().fit(X, y)
   ' u& V5 c& G- M) U; s6 q

复制代码

# %%

# 截距
0 j$ F  f. D9 b( ]: W& zb0 = model.intercept_[0]
) a  b1 m1 Q$ O4 ?( w1 i1 e
# 系数
' j' b4 I0 ~7 Z/ w; Db1, b2 = model.coef_[0]
8 N+ i& Z6 A4 k0 Y) K
print('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1,b2))
print('R_square =',model.score(X,y))


- A, [0 C; A) L' Z* R; S