一元線性回歸分析python - CSDN

python多重線性回歸分析多重線性回歸分析

定義

多重線性回歸模型：Mulitiple Linear Regression

多元線性回歸模型：Multivariate Linear Regression

數據準備

#多重線性回歸

#數據準備

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

df

根據預測目標，確定自變量和因變量

#多重線性回歸

#數據準備

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定義自變量

x=df[['營銷費用(萬元)','客流量(萬人次)']]

#定義因變量

y=df[['銷售額(萬元)']]

#計算相關係數

df['營銷費用(萬元)'].corr(df['銷售額(萬元)'])

#多重線性回歸

#數據準備

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定義自變量

x=df[['營銷費用(萬元)','客流量(萬人次)']]

#定義因變量

y=df[['銷售額(萬元)']]

#計算相關係數

df['客流量(萬人次)'].corr(df['銷售額(萬元)'])

繪製散點圖，確定回歸模型類型

#多重線性回歸

#數據準備

import matplotlib

import matplotlib.pyplot as plt

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定義自變量

x=df[['營銷費用(萬元)','客流量(萬人次)']]

#定義因變量

y=df[['銷售額(萬元)']]

#計算相關係數

df['營銷費用(萬元)'].corr(df['銷售額(萬元)'])

df['客流量(萬人次)'].corr(df['銷售額(萬元)'])

#營銷費用 作為x軸

#銷售額 作為y軸

#繪製散點圖

df.plot('營銷費用(萬元)','銷售額(萬元)',kind='scatter')

#多重線性回歸

#數據準備

import matplotlib

import matplotlib.pyplot as plt

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定義自變量

x=df[['營銷費用(萬元)','客流量(萬人次)']]

#定義因變量

y=df[['銷售額(萬元)']]

#計算相關係數

df['營銷費用(萬元)'].corr(df['銷售額(萬元)'])

df['客流量(萬人次)'].corr(df['銷售額(萬元)'])

#營銷費用 作為x軸

#銷售額 作為y軸,繪製散點圖

df.plot('營銷費用(萬元)','銷售額(萬元)',kind='scatter')

#客流量 作為x軸

#銷售額 作為y軸,繪製散點圖

df.plot('客流量(萬人次)','銷售額(萬元)',kind='scatter')

估計模型參數，建立線性回歸模型

#多重線性回歸

#數據準備

import matplotlib

import matplotlib.pyplot as plt

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定義自變量

x=df[['營銷費用(萬元)','客流量(萬人次)']]

#定義因變量

y=df[['銷售額(萬元)']]

#計算相關係數

df['營銷費用(萬元)'].corr(df['銷售額(萬元)'])

df['客流量(萬人次)'].corr(df['銷售額(萬元)'])

#營銷費用 作為x軸

#銷售額 作為y軸,繪製散點圖

df.plot('營銷費用(萬元)','銷售額(萬元)',kind='scatter')

#客流量 作為x軸

#銷售額 作為y軸,繪製散點圖

df.plot('客流量(萬人次)','銷售額(萬元)',kind='scatter')

#導入sklearn.linear_model 模塊中的LinearRegression函數

from sklearn.linear_model import LinearRegression

#使用線性回歸模型進行建模

lrModel= LinearRegression()

#使用自變量x和因變量y訓練模型

lrModel.fit(x,y)

#多重線性回歸

#數據準備

import matplotlib

import matplotlib.pyplot as plt

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定義自變量

x=df[['營銷費用(萬元)','客流量(萬人次)']]

#定義因變量

y=df[['銷售額(萬元)']]

#計算相關係數

df['營銷費用(萬元)'].corr(df['銷售額(萬元)'])

df['客流量(萬人次)'].corr(df['銷售額(萬元)'])

#營銷費用 作為x軸

#銷售額 作為y軸,繪製散點圖

df.plot('營銷費用(萬元)','銷售額(萬元)',kind='scatter')

#客流量 作為x軸

#銷售額 作為y軸,繪製散點圖

df.plot('客流量(萬人次)','銷售額(萬元)',kind='scatter')

#導入sklearn.linear_model 模塊中的LinearRegression函數

from sklearn.linear_model import LinearRegression

#使用線性回歸模型進行建模

lrModel= LinearRegression()

#使用自變量x和因變量y訓練模型

lrModel.fit(x,y)

#使用訓練得到的模型的coef_屬性,即可得到模型的參數b,

#使用訓練得到的模型的intercept_屬性，即可得到模型的參數a

#查看參數

lrModel.coef_

# 查看截距

lrModel.intercept_

對回歸模型進行驗證

#多重線性回歸

#數據準備

import matplotlib

import matplotlib.pyplot as plt

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定義自變量

x=df[['營銷費用(萬元)','客流量(萬人次)']]

#定義因變量

y=df[['銷售額(萬元)']]

#計算相關係數

df['營銷費用(萬元)'].corr(df['銷售額(萬元)'])

df['客流量(萬人次)'].corr(df['銷售額(萬元)'])

#營銷費用 作為x軸

#銷售額 作為y軸,繪製散點圖

df.plot('營銷費用(萬元)','銷售額(萬元)',kind='scatter')

#客流量 作為x軸

#銷售額 作為y軸,繪製散點圖

df.plot('客流量(萬人次)','銷售額(萬元)',kind='scatter')

#導入sklearn.linear_model 模塊中的LinearRegression函數

from sklearn.linear_model import LinearRegression

#使用線性回歸模型進行建模

lrModel= LinearRegression()

#使用自變量x和因變量y訓練模型

lrModel.fit(x,y)

#使用訓練得到的模型的coef_屬性,即可得到模型的參數b,

#使用訓練得到的模型的intercept_屬性，即可得到模型的參數a

#查看參數

lrModel.coef_

# 查看截距

lrModel.intercept_

#計算模型的精度

lrModel.score(x,y)

利用回歸模型進行預測

#多重線性回歸

#數據準備

import matplotlib

import matplotlib.pyplot as plt

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定義自變量

x=df[['營銷費用(萬元)','客流量(萬人次)']]

#定義因變量

y=df[['銷售額(萬元)']]

#計算相關係數

df['營銷費用(萬元)'].corr(df['銷售額(萬元)'])

df['客流量(萬人次)'].corr(df['銷售額(萬元)'])

#營銷費用 作為x軸

#銷售額 作為y軸,繪製散點圖

df.plot('營銷費用(萬元)','銷售額(萬元)',kind='scatter')

#客流量 作為x軸

#銷售額 作為y軸,繪製散點圖

df.plot('客流量(萬人次)','銷售額(萬元)',kind='scatter')

#導入sklearn.linear_model 模塊中的LinearRegression函數

from sklearn.linear_model import LinearRegression

#使用線性回歸模型進行建模

lrModel= LinearRegression()

#使用自變量x和因變量y訓練模型

lrModel.fit(x,y)

#使用訓練得到的模型的coef_屬性,即可得到模型的參數b,

#使用訓練得到的模型的intercept_屬性，即可得到模型的參數a

#查看參數

lrModel.coef_

# 查看截距

lrModel.intercept_

#計算模型的精度

lrModel.score(x,y)

#使用predict函數，把自變量作為參數傳入

pX=pd.DataFrame({'營銷費用(萬元)':[20],'客流量(萬元)':[5]})

pX

時間內容備註2020/7/7python 多重線性回歸分析增加數學公式

這兩次開始使用在線Markdown進行內容編輯，效果比過去好多了。

數據分析時，需要輸入數學公式，可以使用typora

效果：

今天也用Markdown 作甘特圖讓工作日井然有序

推薦：typora+Markdown保存.md文件。