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。
$ a+ {( B% U2 ]# %%

1. import numpy as np! N5 o, ~# `- U6 S2 I9 V\" b6 O$ R
   
2. import pandas as pd
   6 h1 |% x3 T- q6 U  }
3. from sklearn.linear_model import LinearRegression
   / }! K; D1 j- y, k+ u

复制代码

# %%
, J$ T7 }; g- ~+ t( x8 }6 q
# 源数据

1. df = pd.DataFrame({' G9 z7 @/ j2 k) r( I! `- S
   
2.     'x1': [7, 1, 11, 11, 7, 11, 3],
   $ ?) C) }3 P& f0 o% @
3.     'x2': [26, 29, 56, 31, 52, 55, 71],
   1 Q& x( ]8 C* Z# {
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],\" b0 P1 p: Z# R8 v) ~( A- Y& s( ^
   
5. }). Q% `  T% h6 o% }: J% Y1 Q5 Z
   
6. 
   ' n' j\" M# Y, v5 Y\" H
7. X = np.array(df[['x1','x2']])) o\" M# }9 I1 O$ M* t
   
8. y = np.array(df[['y']])

复制代码

# 多元线性回归模型

1. model = LinearRegression().fit(X, y)$ l8 i) e( D9 @
   

复制代码

# %%

# 截距
8 l0 w! `3 f% Z5 M  ?7 Rb0 = model.intercept_[0]

# 系数
: k& B6 d2 E; x8 ]5 }* C, Yb1, b2 = model.coef_[0]

print('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1,b2))
) R1 `& b, {, xprint('R_square =',model.score(X,y))

- L1 k  e( s3 y0 }7 A# W