Python peut-il faire de la régression ?

Python peut implémenter la régression linéaire. La méthode d'implémentation est la suivante : 1. Appelez Linear_model dans la bibliothèque scikit-learn pour ajuster les données ; 2. Utilisez Scipy.polyfit() ou numpy.polyfit(); hautement professionnel La fonction de régression linéaire Stats.linregress().

La régression linéaire est un modèle vétéran dans la communauté de la science des données. C'est presque un cours d'introduction obligatoire pour tous les scientifiques des données. En mettant de côté l’analyse du modèle et les tests impliquant une grande quantité de données, pouvez-vous vraiment appliquer la régression linéaire avec compétence ? Ci-dessous, je vais vous présenter plusieurs façons d'implémenter la régression en Python.

Méthode 1 : Appeler Linear_model à partir de la bibliothèque scikit-learn

En raison de la popularité généralisée de la bibliothèque d'apprentissage automatique scikit-learn, une méthode courante consiste à appeler Linear_model de la bibliothèque. Ajuster les données.

Bien que cela puisse offrir d'autres avantages par rapport à d'autres fonctionnalités de pipeline de l'apprentissage automatique (par exemple : normalisation des données, régularisation des coefficients du modèle, passage d'un modèle linéaire à un autre modèle en aval), lorsqu'un analyste de données en a besoin, ce n'est généralement pas la solution la plus rapide. et le moyen le plus simple de déterminer les coefficients de régression (et quelques statistiques de base associées) rapidement et facilement.

Méthode 2 : Scipy.polyfit() ou numpy.polyfit()

Il s'agit de la fonction d'ajustement polynomiale des moindres carrés la plus basique (fonction d'ajustement polynomiale des moindres carrés), accepte un ensemble de données et une fonction polynomiale de n'importe quelle dimension (spécifiée par l'utilisateur) et renvoie un ensemble de coefficients qui minimise l'erreur quadratique.

Pour une régression linéaire simple, vous pouvez choisir une fonction unidimensionnelle. Mais si vous souhaitez ajuster un modèle dimensionnel supérieur, vous pouvez créer des entités polynomiales à partir des données d’entités linéaires et ajuster le modèle.

Méthode 3 : Stats.linregress()

Il s'agit d'une fonction de régression linéaire hautement spécialisée que l'on peut trouver dans le module de statistiques de SciPy. Cependant, comme il n’est utilisé que pour optimiser la régression des moindres carrés de deux ensembles de données mesurées, sa flexibilité est assez limitée. Par conséquent, vous ne pouvez pas l’utiliser pour un modèle linéaire généralisé et un ajustement par régression multiple.

Cependant, de par sa spécificité, c'est l'une des méthodes les plus rapides en régression linéaire simple. En plus des coefficients ajustés et des termes d'origine, il renvoie également des statistiques de base telles que le coefficient R2 et l'écart type.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!