Python은 선형 회귀를 구현할 수 있습니다. 1. scikit-learn 라이브러리에서 선형_모델을 호출하여 데이터를 맞춥니다. 2. Scipy.polyfit() 또는 numpy.polyfit()을 사용합니다. . 고도로 전문화된 선형 회귀 함수 Stats.linregress()를 사용합니다.
선형회귀는 데이터 과학 커뮤니티의 베테랑 모델로 거의 모든 데이터 과학자의 필수 입문 과정입니다. 많은 양의 데이터가 포함된 모델 분석 및 테스트를 제쳐두고 실제로 선형 회귀를 능숙하게 적용할 수 있습니까? 아래에서는 Python에서 회귀를 구현하는 몇 가지 방법을 소개하겠습니다.
방법 1: scikit-learn 라이브러리에서 선형 모델 호출
머신 러닝 라이브러리 scikit-learn의 광범위한 인기로 인해 일반적으로 사용되는 방법은 데이터를 맞추기 위해 이 라이브러리에서 Linear_model을 호출하는 것입니다.
이는 기계 학습의 다른 파이프라인 기능(예: 데이터 정규화, 모델 계수 정규화, 선형 모델을 다른 다운스트림 모델로 전달)의 다른 이점을 제공할 수 있지만, 데이터 분석에서는 일반적으로 그렇지 않습니다. 엔지니어가 회귀 계수(및 일부 기본 관련 통계)를 빠르고 쉽게 결정해야 할 때 가장 빠르고 쉬운 방법입니다.
방법 2: Scipy.polyfit( ) 또는 numpy.polyfit( )
이것은 가장 기본적인 최소 제곱 다항식 피팅입니다. 함수( 최소 제곱 다항식 맞춤 함수)는 데이터 세트와 모든 차원(사용자가 지정)의 다항식 함수를 받아들이고 제곱 오차를 최소화하는 계수 세트를 반환합니다.
간단한 선형 회귀의 경우 1차원 함수를 선택할 수 있습니다. 그러나 더 높은 차원의 모델을 적합시키려는 경우 선형 특성 데이터에서 다항식 특성을 구축하고 모델을 적합할 수 있습니다.
방법 3: Stats.linregress( )
이것은 SciPy의 통계 모듈에서 사용할 수 있는 고도로 전문화된 선형 회귀 함수입니다. 나타나다. 그러나 측정된 두 데이터 세트의 최소 제곱 회귀를 최적화하는 데에만 사용되기 때문에 유연성이 상당히 제한됩니다. 따라서 일반화 선형 모델 및 다중 회귀 피팅에는 사용할 수 없습니다.
그러나 그 특이성으로 인해 단순 선형 회귀 분석에서 가장 빠른 방법 중 하나입니다. 피팅된 계수 및 절편 항 외에도 R2 계수 및 표준 편차와 같은 기본 통계도 반환합니다.
위 내용은 파이썬이 회귀를 할 수 있나요?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!