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
   5 [+ b6 M5 \& D* V! A. f
2. import pandas as pd: U8 e7 @; K* T. ]
   
3. from sklearn.linear_model import LinearRegression
   6 E5 i7 S* A& {\" q, l

复制代码

# %%

7 X$ K- \9 @" a# }6 }: z2 ^# 源数据

1. df = pd.DataFrame({
   # b4 E. l& j- }! k& X' W( f
2.     'x1': [7, 1, 11, 11, 7, 11, 3],
   * ^( g8 F. T3 L6 g
3.     'x2': [26, 29, 56, 31, 52, 55, 71],) f  i; o4 H\" Z$ ]
   
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],* Y5 ]' a2 Y9 t  K: `0 [  {& i
   
5. })
     p  I+ i5 d, K
6. ! J  T5 q) B: O/ ]$ D, i8 h: e
   
7. X = np.array(df[['x1','x2']])
   ) _/ g  Y: p* m5 [3 p
8. y = np.array(df[['y']])

复制代码

# 多元线性回归模型

1. model = LinearRegression().fit(X, y)2 H( T$ g4 W% Z& {! h( K* U
   

复制代码

# %%
, \7 ]8 I' k) u  i
: F+ p5 f7 a. ?* W/ ?5 l! ^# 截距
* N, Q: _  E  C) y' L# db0 = model.intercept_[0]
% D) b7 _0 X$ m+ S2 ?. e; F
# 系数
- s% b2 O/ P) w8 I' r2 \b1, b2 = model.coef_[0]
6 F; \" J: l7 H
print('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1,b2))
print('R_square =',model.score(X,y))
$ d$ h$ r+ G# _& X

( C1 p4 {3 |, v, E+ M* a3 n8 Y