Pythonで回帰はできるのでしょうか？

Python は線形回帰を実装できます。実装方法は次のとおりです: 1. scikit-learn ライブラリの Linear_model を呼び出してデータを近似します; 2. Scipy.polyfit() または numpy.polyfit() を使用します; 3. を使用します高度に専門的な線形回帰関数 Stats.linregress()。

線形回帰はデータ サイエンス コミュニティのベテラン モデルであり、すべてのデータ サイエンティストにとってほぼ必須の入門コースです。大量のデータを伴うモデルの分析とテストはさておき、線形回帰をうまく適用できるでしょうか?以下では、Python で回帰を実装するいくつかの方法を紹介します。

方法 1: scikit-learn ライブラリから linear_model を呼び出す

機械学習ライブラリ scikit-learn は広く普及しているため、一般的な方法は、linear_model を呼び出すことです。ライブラリからデータをフィッティングします。

これにより、機械学習の他のパイプライン機能 (例: データの正規化、モデル係数の正則化、線形モデルを別の下流モデルに渡す) の利点が得られますが、データ アナリストが必要とする場合、これは通常最も迅速な方法ではありません。回帰係数 (およびいくつかの基本的な関連統計) を迅速かつ簡単に決定する最も簡単な方法です。

方法 2: Scipy.polyfit( ) または numpy.polyfit( )

これは、最も基本的な最小二乗多項式フィット関数 (最小二乗多項式フィット関数) です。データセットと任意の次元 (ユーザーが指定した) の多項式関数を受け入れ、二乗誤差を最小化する係数のセットを返します。

単純な線形回帰の場合は、1 次元関数を選択できます。ただし、より高次元のモデルを近似したい場合は、線形フィーチャ データから多項式フィーチャを構築し、モデルを近似できます。

方法 3: Stats.linregress( )

これは、SciPy の統計モジュールにある高度に特殊化された線形回帰関数です。ただし、これは 2 セットの測定データの最小二乗回帰を最適化するためにのみ使用されるため、その柔軟性はかなり制限されています。したがって、一般化線形モデルや重回帰フィッティングには使用できません。

ただし、その特異性により、これは単純な線形回帰の中で最も高速な方法の 1 つです。近似された係数と切片項に加えて、R2 係数や標準偏差などの基本統計も返します。

以上がPythonで回帰はできるのでしょうか？の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。