线性回归 Python转自:https://www.cnblogs.com/hhh5460/p/5786115.htmlpython 线性回归示例 | 您所在的位置:网站首页 › Python 非线性回归 › 线性回归 Python转自:https://www.cnblogs.com/hhh5460/p/5786115.htmlpython 线性回归示例 |
转自:https://www.cnblogs.com/hhh5460/p/5786115.html python 线性回归示例 说明:此文的第一部分参考了这里 用python进行线性回归分析非常方便,有现成的库可以使用比如: numpy.linalog.lstsq 例子、 scipy.stats.linregress 例子、 pandas.ols 例子等。 不过本文使用 sklearn 库的 linear_model.LinearRegression ,支持任意维度,非常好用。 一、二维直线的例子预备知识:线性方程y=a∗x+by=a∗x+b 表示平面一直线 下面的例子中,我们根据房屋面积、房屋价格的历史数据,建立线性回归模型。 然后,根据给出的房屋面积,来预测房屋价格。这里是数据来源 import pandas as pd from io import StringIO from sklearn import linear_model import matplotlib.pyplot as plt # 房屋面积与价格历史数据(csv文件) csv_data = 'square_feet,price\n150,6450\n200,7450\n250,8450\n300,9450\n350,11450\n400,15450\n600,18450\n' # 读入dataframe df = pd.read_csv(StringIO(csv_data)) print(df) # 建立线性回归模型 regr = linear_model.LinearRegression() # 拟合 regr.fit(df['square_feet'].reshape(-1, 1), df['price']) # 注意此处.reshape(-1, 1),因为X是一维的! # 不难得到直线的斜率、截距 a, b = regr.coef_, regr.intercept_ # 给出待预测面积 area = 238.5 # 方式1:根据直线方程计算的价格 print(a * area + b) # 方式2:根据predict方法预测的价格 print(regr.predict(area)) # 画图 # 1.真实的点 plt.scatter(df['square_feet'], df['price'], color='blue') # 2.拟合的直线 plt.plot(df['square_feet'], regr.predict(df['square_feet'].reshape(-1,1)), color='red', linewidth=4) plt.show()效果图 ![]() 预备知识:线性方程z=a∗x+b∗y+cz=a∗x+b∗y+c 表示空间一平面 由于找不到真实数据,只好自己虚拟一组数据。 import numpy as np from sklearn import linear_model from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt xx, yy = np.meshgrid(np.linspace(0,10,10), np.linspace(0,100,10)) zz = 1.0 * xx + 3.5 * yy + np.random.randint(0,100,(10,10)) # 构建成特征、值的形式 X, Z = np.column_stack((xx.flatten(),yy.flatten())), zz.flatten() # 建立线性回归模型 regr = linear_model.LinearRegression() # 拟合 regr.fit(X, Z) # 不难得到平面的系数、截距 a, b = regr.coef_, regr.intercept_ # 给出待预测的一个特征 x = np.array([[5.8, 78.3]]) # 方式1:根据线性方程计算待预测的特征x对应的值z(注意:np.sum) print(np.sum(a * x) + b) # 方式2:根据predict方法预测的值z print(regr.predict(x)) # 画图 fig = plt.figure() ax = fig.gca(projection='3d') # 1.画出真实的点 ax.scatter(xx, yy, zz) # 2.画出拟合的平面 ax.plot_wireframe(xx, yy, regr.predict(X).reshape(10,10)) ax.plot_surface(xx, yy, regr.predict(X).reshape(10,10), alpha=0.3) plt.show()效果图 标签: python, 线性回归 |
CopyRight 2018-2019 实验室设备网 版权所有 |