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
   8 }6 z; c: l  ^: Y5 ^) Q& h; h
2. import pandas as pd3 Q' _$ K7 Z- c) R\" ]; x
   
3. from sklearn.linear_model import LinearRegression
   , e+ X- Z) Y; L! q- x: O8 A$ B- Q

复制代码

# %%

# 源数据

1. df = pd.DataFrame({. ]3 k/ h$ u; O9 D; \. I
   
2.     'x1': [7, 1, 11, 11, 7, 11, 3],
   % n/ K# B( [2 ?. L' u( d8 A7 ?
3.     'x2': [26, 29, 56, 31, 52, 55, 71],
   4 N9 L2 H4 o0 ], d* W2 q
4.     'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],. v0 C6 ?$ o+ Y/ `4 ~9 v
   
5. })
   ! X' e* m) Q* \! Z
6. 
   1 S4 U+ N2 f: A3 ~
7. X = np.array(df[['x1','x2']])
   ) B2 Z% b\" D+ Y1 A
8. y = np.array(df[['y']])

复制代码

# 多元线性回归模型

1. model = LinearRegression().fit(X, y)( q1 G! t\" I5 d  Y; t$ p
   

复制代码

# %%

/ R: p$ w9 T: v2 `2 F! E. @$ U& Y# 截距
/ l: N9 D0 ~5 ?' j# s# w! Zb0 = model.intercept_[0]
& t# n# h9 _3 z: Y; \* k
# 系数
b1, b2 = model.coef_[0]
) v9 J0 K- X+ ~5 D. O# O
" f0 C: z* C3 Q3 zprint('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1,b2))
print('R_square =',model.score(X,y))
; K! v" D: u- ^& O* {; q
5 `. _2 }: G6 F; |  A
3 R" G6 h0 ]1 k* @  B8 }% m$ \