目录
1. 简单线性回归
使用回归分析绘制拟合曲线是一种常见的方法,简单线性回归就是其中的一种。简单线性回归可以通过最小二乘法来计算回归系数。以下是一个使用简单线性回归来拟合数据的代码示例:
import numpy as np
import matplotlib.pyplot as plt
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
y = np.array([2.5, 4.5, 4.8, 5.5, 6.0, 7.0, 7.8, 8.0, 9.0, 9.5])
# 计算回归系数
slope, intercept = np.polyfit(x, y, 1)
# 绘制拟合曲线
plt.scatter(x, y)
plt.plot(x, slope \* x + intercept, color='red')
plt.show()
在该代码中,np.polyfit函数可以用来计算简单线性回归的回归系数。plot函数用来绘制拟合曲线,scatter函数绘制原始数据点。
2. 多项式回归
使用多项式回归是一种常用方法,它可以用来拟合更加复杂的数据集。以下是一个使用多项式回归来拟合数据的代码示例:
import numpy as np
import matplotlib.pyplot as plt
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
y = np.array([2.5, 4.5, 4.8, 5.5, 6.0, 7.0, 7.8, 8.0, 9.0, 9.5])
# 计算多项式回归系数
coefs = np.polyfit(x, y, 3)
# 使用np.poly1d函数来生成一个多项式拟合对象
poly = np.poly1d(coefs)
# 生成新的横坐标,使得拟合曲线更加平滑
new_x = np.linspace(min(x), max(x), 1000)
# 绘制拟合曲线
plt.scatter(x, y)
plt.plot(new_x, poly(new_x), color='red')
plt.show()
与简单线性回归不同,多项式回归可以拟合更加复杂的数据集。在该代码中,np.polyfit函数计算多项式回归系数,np.poly1d函数生成一个多项式拟合对象。plot函数用来绘制拟合曲线,scatter函数绘制原始数据点。
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注:Python)
文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新**
如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注:Python)