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。
  p: H- S+ H' t: A3 L5 }# %%

1. import numpy as np
   - I1 E# y$ X+ s9 s
2. import pandas as pd
   : e7 E5 E6 k; i* S# x0 R
3. from sklearn.linear_model import LinearRegression1 q\" p4 |9 ?( R2 u# Y
   

复制代码

# %%

# 源数据

1. df = pd.DataFrame({) m. A4 _) P& y0 ?- k
   
2.     'x1': [7, 1, 11, 11, 7, 11, 3],\" I6 R- Z7 B0 w$ p  E% c# `
   
3.     'x2': [26, 29, 56, 31, 52, 55, 71],
   ' S( D6 S& t: K\" N) a+ U
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],* g3 E( `, k/ u8 U& e$ s\" B
   
5. })
   7 W9 N/ D/ J\" f$ N# }! Y% r3 \
6. ; G; g# R$ o\" K7 y9 {
   
7. X = np.array(df[['x1','x2']])+ {' d; }3 N6 L1 t/ p8 u\" n
   
8. y = np.array(df[['y']])

复制代码

# 多元线性回归模型

1. model = LinearRegression().fit(X, y)4 E1 Z( V1 _6 W2 b* P: z/ H6 l
   

复制代码

# %%
6 z/ L* d, z& k2 `! D. h9 W, d
# 截距
) j; [% I1 b! t" f9 lb0 = model.intercept_[0]
! g5 s: `: i5 a0 ~
! A- T2 K8 k# B3 R+ w+ x# 系数
b1, b2 = model.coef_[0]

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


3 [  _& c' O  I2 ?* G8 z; s