Comment implémenter la régression linéaire en python

Les étapes pour implémenter la régression linéaire en Python sont : importer la bibliothèque à utiliser, lire les données et effectuer un prétraitement. Analysez les données, établissez un modèle de régression linéaire et effectuez une formation sur le modèle pour tester l'effet du modèle

Il est très pratique d'implémenter la régression linéaire à l'aide du langage python, car il fournit plusieurs bibliothèques prêtes à l'emploi, telles que numpy. linalog .lstsq, pandas.ols et

scipy.stats.linregress, etc. Dans cet article, nous utiliserons le Linear_model.LinearRegression de la bibliothèque sklearn, qui prend en charge n'importe quelle dimension et est très simple à utiliser.

[Tutoriel recommandé : Tutoriel Python]

Ligne droite bidimensionnelle

Exemple : L'équation linéaire y=a*x+b; y=a*x+b représente une droite sur le plan

Dans l'exemple suivant, nous établirons un modèle de régression linéaire, Prédire le prix d'une maison en donnant sa superficie

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()

Rendu :

Plan tridimensionnel

L'équation linéaire z=a*x+b*y+c; z=a*x+b*y+c représente un plan dans l'espace

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()

Rendu :

Résumé : Ce qui précède est l'intégralité du contenu de cet article, j'espère qu'il sera utile à tout le monde

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!