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。
% f' D: u) Z8 O' B# %%

1. import numpy as np! a+ u. g* N* ]# _$ b
   
2. import pandas as pd0 t% ?4 w/ E6 \\" A% H3 s
   
3. from sklearn.linear_model import LinearRegression7 O- r0 e; K$ d4 q4 L
   

复制代码

# %%

# 源数据

1. df = pd.DataFrame({' Q* Y2 Q9 {: s( O  h1 f
   
2.     'x1': [7, 1, 11, 11, 7, 11, 3],
   5 m1 _  T8 q  @) G- s
3.     'x2': [26, 29, 56, 31, 52, 55, 71],
   ; D  ?, a4 N! z$ ~$ m% E' L
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],4 ~7 H( a/ Z0 w
   
5. })
   3 l8 x( b* v/ a; W- y  ]' l
6. 
   ) I# L$ Q8 N9 n7 W/ t
7. X = np.array(df[['x1','x2']])
   / I  K! A\" K! l+ a! J& l$ C6 O$ F# c4 b
8. y = np.array(df[['y']])

复制代码

# 多元线性回归模型

1. model = LinearRegression().fit(X, y)- ~! K1 Y' m$ Q5 s9 X' ?
   

复制代码

# %%
$ Z" V& C6 ?: X8 B
+ }, m7 P- s/ d( t# 截距
b0 = model.intercept_[0]

# 系数
b1, b2 = model.coef_[0]
+ K, Y7 \1 @  c. Q( l
* u" j' |- e4 ]+ T5 d; F. Rprint('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1,b2))
6 q2 C( L5 j' k4 Q  Cprint('R_square =',model.score(X,y))


- A- h- L6 [' m