Heim > Artikel > Backend-Entwicklung > So implementieren Sie eine lineare Regression in Python
Die Schritte zum Implementieren der linearen Regression in der Python-Sprache sind: Importieren Sie die zu verwendende Bibliothek, lesen Sie die Daten und führen Sie eine Vorverarbeitung durch. Analysieren Sie Daten, erstellen Sie ein lineares Regressionsmodell und führen Sie ein Modelltraining durch, um den Modelleffekt zu testen
Die Implementierung der linearen Regression mit der Python-Sprache ist sehr praktisch, da sie mehrere vorgefertigte Bibliotheken wie Numpy bereitstellt. linalog .lstsq, pandas.ols und
scipy.stats.linregress usw. In diesem Artikel verwenden wir die linear_model.LinearRegression der sklearn-Bibliothek, die jede Dimension unterstützt und sehr einfach zu verwenden ist.
[Empfohlenes Tutorial: Python-Tutorial]
Zweidimensionale gerade Linie
Beispiel: Lineare Gleichung y=a*x+b; y=a*x+b stellt eine gerade Linie auf der Ebene dar
Im folgenden Beispiel werden wir feststellen ein lineares Regressionsmodell, das den Preis eines Hauses vorhersagt, indem es seine Fläche angibt
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()
Rendering:
Dreidimensionale Ebene
Lineare Gleichung z=a*x+b*y+c; z=a*x+b*y+c stellt eine Ebene im Raum dar
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()
Rendering:
Zusammenfassung: Das Obige ist der gesamte Inhalt dieses Artikels, ich hoffe, er wird für alle hilfreich sein
Das obige ist der detaillierte Inhalt vonSo implementieren Sie eine lineare Regression in Python. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!