旗下导航:搜·么
当前位置:网站首页 > Python教程 > 正文

python怎样完成线性回归【Python教程】,python,线性回归

作者:搜教程发布时间:2019-11-27分类:Python教程浏览:62评论:0


导读:Python言语完成线性回归的步骤有:导入所要用到的库,读取数据并举行预处理。剖析数据以及竖立线性回归模子,并举行模子练习磨练模子结果经由过程运用python言语来完成线性...
Python言语完成线性回归的步骤有:导入所要用到的库,读取数据并举行预处理。剖析数据以及竖立线性回归模子,并举行模子练习磨练模子结果

经由过程运用python言语来完成线性回归是异常轻易的,由于它供应了多个现成的库,比方能够运用numpy.linalog.lstsq,pandas.ols以及

scipy.stats.linregress等,在本文中将运用sklearn库的linear_model.LinearRegression,它支撑恣意维度,异常好用。

【引荐教程:Python教程】

二维直线

例:线性方程y=a∗x+b;y=a∗x+b 示意平面一直线

鄙人面的例子中,我们将竖立线性回归模子,经由过程给出衡宇的面积来展望衡宇的价钱

import pandas as pd
from io import StringIO
from sklearn import linear_model
import matplotlib.pyplot as plt
# 衡宇面积与价钱历史数据(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)
# 竖立线性回归模子
regr = linear_model.LinearRegression()
# 拟合
regr.fit(df['square_feet'].reshape(-1, 1), df['price']) # 注重此处.reshape(-1, 1),由于X是一维的!
# 不难获得直线的斜率、截距
a, b = regr.coef_, regr.intercept_
# 给出待展望面积
area = 238.5
# 体式格局1:依据直线方程盘算的价钱
print(a * area + b)
# 体式格局2:依据predict要领展望的价钱
print(regr.predict(area))
# 绘图
# 1.实在的点
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()

结果图:

三维平面

线性方程z=a∗x+b∗y+c;z=a∗x+b∗y+c 示意空间一平面

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))

# 构建成特性、值的情势
X, Z = np.column_stack((xx.flatten(),yy.flatten())), zz.flatten()

# 竖立线性回归模子
regr = linear_model.LinearRegression()
# 拟合
regr.fit(X, Z)
# 不难获得平面的系数、截距
a, b = regr.coef_, regr.intercept_
# 给出待展望的一个特性
x = np.array([[5.8, 78.3]])
# 体式格局1:依据线性方程盘算待展望的特性x对应的值z(注重:np.sum)
print(np.sum(a * x) + b)
# 体式格局2:依据predict要领展望的值z
print(regr.predict(x))
# 绘图
fig = plt.figure()
ax = fig.gca(projection='3d')
# 1.画出实在的点
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()

结果图:

总结:以上就是本篇文章的全部内容了,愿望对人人有所协助

以上就是python怎样完成线性回归的细致内容,更多请关注ki4网别的相干文章!

标签:python线性回归


欢迎 发表评论: