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 np7 d- b0 W0 p! Y% e( S( x
   
2. import pandas as pd
   - c! g9 @- G4 w6 o8 l
3. from sklearn.linear_model import LinearRegression
   : X7 Z, N, g  [( r

复制代码

# %%
5 g- S1 G( y9 Z& ~6 g
# 源数据

1. df = pd.DataFrame({
   # `% t4 g9 j$ T7 V2 y3 d% y7 |% {; i/ Y2 Q
2.     'x1': [7, 1, 11, 11, 7, 11, 3],/ C$ \( K; [' ^9 X6 t& d8 ^1 v
   
3.     'x2': [26, 29, 56, 31, 52, 55, 71],
   ' m9 G. l6 O& q9 Z* {  f8 L, g9 o7 \
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],. A; ?( D! f$ X5 Z& ~# T
   
5. })
   ( Y2 h# {' x. g
6. 
   ; q3 ]0 H1 z& W/ e# O
7. X = np.array(df[['x1','x2']])
   / ?# l0 I% _& _/ m9 W& 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)
   : v* ~' t2 x# l; R  i1 \3 o

复制代码

# %%

# 截距
b0 = model.intercept_[0]

# 系数
b1, b2 = model.coef_[0]

print('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1,b2))
; q4 ]$ c: ^7 U# B) z9 @& ?( T" v  mprint('R_square =',model.score(X,y))


+ l# U- {" S2 {/ Q! R6 P# ~