python回归分析代码_python代码实现回归分析--线性回归#概念篇:
#⼀下是我⾃⼰结合课件理解的，如果理解的有问题，期望看到的⼈能够好⼼告诉我⼀下，我将感激不尽~
#1.什么数据建模? 通过原有数据到其中的规律，并总结成模型.
#2.什么是模型概念? 通过规律总结的模型，来预测⾃变量的结果(因变量).
#3.什么是回归分析? 是⽤来解释⾃变量和因变量之间关系的⼀种⽅法.
#4.什么是线性回归? 回归分析的⼀种，评估⾃变量和因变量是⼀种线性关系的的⼀种⽅法.
#5. 什么是⼀元线性回归? 就是⾃变量只有⼀个的线性回归(影响元素只有⼀种).
#6. 什么是多元线性回归? 就是⾃变量是多个的线性回归(影响元素不⽌⼀种).
#7. 什么是拟合? 回归分析的具体实现⽅式(构建出最能串联现实实际情况的算法公式)
#8. 什么是模型参数? 就是能够解释⾃变量和因变量关系的参数.
#代码表⽰篇:
#⼀元线性回归程序:
#1.基本⼯具导⼊.
import numpy as np
#调科学计算包中线性模块⾥的线性回归函数
from sklearn.linear_model import LinearRegression
#条⽤科学计算包中的⽅法选择模块⾥的⽤于切分测试集和训练集的函数.
del_selection import train_test_split
#2.建造数据
#随机数种⼦，事先设置之后，就能固定值随机数.
#PS:0可以理解成这组随机数的编号，只要在下边填写同样编号得到的数值是同⼀组随机数数值.
np.random.seed(0)
#从-10到10之间的100个等差数列(属于连续性数组)
x = np.linspace(-10,10,100)
#设置⼀个线性回归公式
y = 0.85*x - 0.72
#创建⼀组数量为100，均值为0，标准差为0.5的随机数组.
e = al(loc = 0,scale = 0.5,size = x.shape)
#将变量y加上这个变量e
y += e
#将x转换为⼆维数组，因为fit⽅法要求x为⼆维结构.
x= x.reshape(-1,1)
lr = LinearRegression()
#x：被划分的特征集,y：被划分的标签,test_size：样本的占⽐(如果是整数表⽰样本的数量),random_state：随机数种⼦编号X_train,X_test,y_train,y_test = train_test_split(x,y,test_size = 0.25,random_state=0)
#拟合数据函数:
lr.fit(X_train,y_train)
#拟合后可利⽤lr.coef和lr.intercept取出(w))权重和(b))截距.
print('权重',lr.coef_)
print('截距',lr.intercept_)
#从训练集学习到了模型的参数(w与b)，确定⽅程，就可以进⾏预测了.
#定义⼀个预测函数
y_hat = lr.predict(X_test)
linspace函数python#⽐对⼀下预测的y值与实际y值
print("实际值:",y_test.ravel()[:10])
print("预测值:",y_hat[:10])
import matplotlib as mpl
import matplotlib.pyplot as plt
#画布初始设定:
#将训练集和测试集⽤散点形式表现
plt.scatter(X_train,y_train,s = 15,label = '训练集')
plt.scatter(X_test,y_test,s = 15,label = '测试集')
#将预测结果⽤直线画出
plt.plot(x,lr.predict(x),"r-")
#显⽰说明
plt.legend()
#⽤图标表⽰出真实值与预测值
plt.figure(figsize = (15,5))
plt.plot(y_test,label = "真实值",color = "r",marker = "o")
plt.plot(y_hat,label = "预测值",color = "g",marker = "o")
plt.xlabel("测试集数据序号")
plt.ylabel("数据值")
plt.legend()
#线性回归模型评估
ics import mean_squared_error,mean_absolute_error,r2_score
print("平均⽅误差(MSE):",mean_squared_error(y_test,y_hat))
print("根均⽅误差( RMSE):",mean_absolute_error(y_test,y_hat))
print("平均绝对值误差(MAE):",r2_score(y_test,y_hat))
from sklearn.linear_model import LinearRegression
ics import mean_absolute_error
del_selection import train_test_split
#make_regression ⽤来⽣成样本数据,⽤于回归模型
from sklearn.datasets import make_regression
# n_sampless:⽣成样本个体的数量
#n_features: 特征数量(x的数量)
#bias：偏置值.
#random_state ：随机种⼦
#noise：噪⾳
#⽣成线性回归的样本数据
# n_sampless:⽣成样本个体的数量
#n_features: 特征数量(x的数量)
#coef: 是否返回权重.ture 返回,false不返回
#bias：偏置值.
#random_state ：随机种⼦
X,y,coef = make_regression(n_samples=1000,n_features=2,coef=True,bias=5.5,random_state=0) X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.25,random_state=0)
print("实际权重:",coef)
lr = LinearRegression()
lr.fit(X_train,y_train)
print("模型权重:",lr.coef_)
print("截距:",lr.intercept_)
y_hat = lr.predict(X_test)
print("均⽅误差:",mean_absolute_error(y_test,y_hat))
print("训练集R~2:",lr.score(X_train,y_train))
print("训练集R~2:",lr.score(X_test,y_test))

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。