织梦旅游网站,官方网站aspcms,自己开发一款app软件,网站制作背景目录
前言
一、讲在前面
1.多元_血压.csv#xff1a;
2.完整代码#xff1a;
3.运行结果#xff1a;
二、实现步骤
1.导入库
2.导入数据
3.绘制散点图#xff08;这步可以省略#xff09;
编辑
4.求特征和标签的相关系数
5.建立并训练线性回归模型
6.检验模…目录
前言
一、讲在前面
1.多元_血压.csv
2.完整代码
3.运行结果
二、实现步骤
1.导入库
2.导入数据
3.绘制散点图这步可以省略
编辑
4.求特征和标签的相关系数
5.建立并训练线性回归模型
6.检验模型
7.获取线性回归模型方程
8.利用模型进行预测
总结 前言 线性回归是一种基本的回归分析方法用于建模两个或多个变量之间的关系。其主要目标是通过一条直线在简单线性回归中或一个超平面在多元线性回归中来预测一个目标变量的值。 一、讲在前面
1.多元_血压.csv 2.完整代码
# 多元线性回归 调整R方
import pandas as pd
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression# 导入数据
data pd.read_csv(./多元_血压.csv, encodinggbk, enginepython) # 设置编码方式 设置使用python解释器# 多元线性回归相关系数矩阵
corr data[[体重, 年龄, 血压收缩]].corr() # 计算每两列之间的相关系数# 获取数据集
x data[[体重, 年龄]]
y data[[血压收缩]]# 建立模型 训练模型
lr_model LinearRegression()
lr_model.fit(x, y)# 检测模型 出厂前测试
result lr_model.predict(x)
score lr_model.score(x, y) # 多元需要调整R方 这里调整了吗
# print(result)
# print(score)# 获取多元线性方程的截距和斜率
k lr_model.coef_
b lr_model.intercept_
print(f线性回归方程为: y {k[0][0]:.2f}x1 {k[0][1]:.2f}x2 {b[0]:.2f} )# 使用新数据进行测试
print(lr_model.predict([[75, 21], [70, 21]]))# 绘制散点图
plt.rcParams[font.sans-serif] [SimHei] # 设置字体
plt.rcParams[axes.unicode_minus] False # 解决符号显示为方块的问题
ax plt.axes(projection3d)
ax.scatter(data[体重], data[年龄], zsdata[血压收缩], markero)
ax.set(xlabel体重, ylabel年龄, zlabel血压收缩)
# plt.show()3.运行结果 二、实现步骤
1.导入库
# 多元线性回归 调整R方
import pandas as pd
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression 2.导入数据
# 导入数据
data pd.read_csv(./多元_血压.csv, encodinggbk, enginepython)
# 设置编码方式 设置使用python解释器 3.绘制散点图这步可以省略
# 绘制散点图
plt.rcParams[font.sans-serif] [SimHei] # 设置字体
plt.rcParams[axes.unicode_minus] False # 解决符号显示为方块的问题
ax plt.axes(projection3d)
ax.scatter(data[体重], data[年龄], zsdata[血压收缩], markero)
ax.set(xlabel体重, ylabel年龄, zlabel血压收缩)
plt.show() 4.求特征和标签的相关系数
多元线性回归模型可以查看每一列特征与标签的相关系数达不到弱相关的特征可以进行舍弃。
# 多元线性回归相关系数矩阵
corr data[[体重, 年龄, 血压收缩]].corr() # 计算每两列之间的相关系数
相关系数矩阵 5.建立并训练线性回归模型
提取特征数据和标签也在这个步骤一并完成了
# 获取数据集
x data[[体重, 年龄]]
y data[[血压收缩]]# 建立模型 训练模型
lr_model LinearRegression()
lr_model.fit(x, y) 6.检验模型
多元需要调整R方 # 检测模型 出厂前测试
result lr_model.predict(x)
score lr_model.score(x, y) # 多元需要调整R方
# print(result)
# print(score) 7.获取线性回归模型方程 代码
# 获取多元线性方程的截距和斜率
k lr_model.coef_
b lr_model.intercept_
print(f线性回归方程为: y {k[0][0]:.2f}x1 {k[0][1]:.2f}x2 {b[0]:.2f} )输出
线性回归方程为: y 2.14x1 0.40x2 -62.96 8.利用模型进行预测
代码
# 使用新数据进行测试
print(lr_model.predict([[75, 21], [70, 21]]))
输出
[[105.68304051][ 95.00024982]] 总结 多元线性回归模型在有多个自变量的情况下可能需要调整R²调整后的R²考虑了模型复杂度能够更公平地比较不同模型。
