人工智能——多项式回归（Python）

print(‘Coefficients:’, lin_reg_2.coef_) #查看回归方程系数(k)

print(‘intercept:’, lin_reg_2.intercept_) ##查看回归方程截距(b)

print(‘the model is y={0}+({1}*x)+({2}*x^2)’.format(lin_reg_2.intercept_,lin_reg_2.coef_[0],lin_reg_2.coef_[1]))

图像中显示

plt.scatter(datasets_X, datasets_Y, color = ‘red’) #scatter函数用于绘制数据点，这里表示用红色绘制数据点；

#plot函数用来绘制回归线，同样这里需要先将X处理成多项式特征；

plt.plot(X, lin_reg_2.predict(poly_reg.fit_transform(X)), color = ‘blue’)

plt.xlabel(‘Area’)

plt.ylabel(‘Price’)

plt.show()

3.3 结果

[[1.0000000e+00 1.0000000e+03 1.0000000e+06]

[1.0000000e+00 7.9200000e+02 6.2726400e+05]

[1.0000000e+00 1.2600000e+03 1.5876000e+06]

[1.0000000e+00 1.2620000e+03 1.5926440e+06]

[1.0000000e+00 1.2400000e+03 1.5376000e+06]

[1.0000000e+00 1.1700000e+03 1.3689000e+06]

[1.0000000e+00 1.2300000e+03 1.5129000e+06]

[1.0000000e+00 1.2550000e+03 1.5750250e+06]

[1.0000000e+00 1.1940000e+03 1.4256360e+06]

[1.0000000e+00 1.4500000e+03 2.1025000e+06]

[1.0000000e+00 1.4810000e+03 2.1933610e+06]

[1.0000000e+00 1.4750000e+03 2.1756250e+06]

[1.0000000e+00 1.4820000e+03 2.1963240e+06]

[1.0000000e+00 1.4840000e+03 2.2022560e+06]

[1.0000000e+00 1.5120000e+03 2.2861440e+06]

[1.0000000e+00 1.6800000e+03 2.8224000e+06]

[1.0000000e+00 1.6200000e+03 2.6244000e+06]

[1.0000000e+00 1.7200000e+03 2.9584000e+06]

[1.0000000e+00 1.8000000e+03 3.2400000e+06]

[1.0000000e+00 4.4000000e+03 1.9360000e+07]

[1.0000000e+00 4.2120000e+03 1.7740944e+07]

[1.0000000e+00 3.9200000e+03 1.5366400e+07]

[1.0000000e+00 3.2120000e+03 1.0316944e+07]

[1.0000000e+00 3.1510000e+03 9.9288010e+06]

[1.0000000e+00 3.1000000e+03 9.6100000e+06]

[1.0000000e+00 2.7000000e+03 7.2900000e+06]

[1.0000000e+00 2.6120000e+03 6.8225440e+06]

[1.0000000e+00 2.7050000e+03 7.3170250e+06]

[1.0000000e+00 2.5700000e+03 6.6049000e+06]

[1.0000000e+00 2.4420000e+03 5.9633640e+06]

[1.0000000e+00 2.3870000e+03 5.6977690e+06]

[1.0000000e+00 2.2920000e+03 5.2532640e+06]

[1.0000000e+00 2.3080000e+03 5.3268640e+06]

[1.0000000e+00 2.2520000e+03 5.0715040e+06]

[1.0000000e+00 2.2020000e+03 4.8488040e+06]

[1.0000000e+00 2.1570000e+03 4.6526490e+06]

[1.0000000e+00 2.1400000e+03 4.5796000e+06]

[1.0000000e+00 4.0000000e+03 1.6000000e+07]

[1.0000000e+00 4.2000000e+03 1.7640000e+07]

[1.0000000e+00 3.9000000e+03 1.5210000e+07]

[1.0000000e+00 3.5440000e+03 1.2559936e+07]

[1.0000000e+00 2.9800000e+03 8.8804000e+06]

[1.0000000e+00 4.3550000e+03 1.8966025e+07]

[1.0000000e+00 3.1500000e+03 9.9225000e+06]

[1.0000000e+00 3.0250000e+03 9.1506250e+06]

[1.0000000e+00 3.4500000e+03 1.1902500e+07]

[1.0000000e+00 4.4020000e+03 1.9377604e+07]

[1.0000000e+00 3.4540000e+03 1.1930116e+07]

[1.0000000e+00 8.9000000e+02 7.9210000e+05]]

[231.16788093 231.19868474 231.22954958 … 739.2018995 739.45285011

739.70386176]

Coefficients: [ 0.00000000e+00 -1.75650177e-02 3.05166076e-05]

intercept: 225.93740561055927

the model is y=225.93740561055927+(0.0x)+(-0.017565017675036532x^2)

3.4 可视化

4 案例实现——方法2

---

4.1 代码

numpy中np.array()与np.asarray的区别以及.tolist与np.asarray的区别以及.tolist")

import matplotlib.pyplot as plt

from sklearn.preprocessing import PolynomialFeatures

from sklearn.pipeline import Pipeline

from sklearn.linear_model import LinearRegression

from sklearn.metrics import mean_squared_error, r2_score

import numpy as np

import pandas as pd

import warnings

warnings.filterwarnings(action=“ignore”, module=“sklearn”)

dataset = pd.read_csv(‘多项式线性回归.csv’)

X = np.asarray(dataset.get(‘x’))

y = np.asarray(dataset.get(‘y’))

划分训练集和测试集

X_train = X[:-2]

X_test = X[-2:]

y_train = y[:-2]

y_test = y[-2:]

fit_intercept 为 True

model1 = Pipeline([(‘poly’, PolynomialFeatures(degree=2)), (‘linear’, LinearRegression(fit_intercept=True))])

model1 = model1.fit(X_train[:, np.newaxis], y_train)

y_test_pred1 = model1.named_steps[‘linear’].intercept_ + model1.named_steps[‘linear’].coef_[1] * X_test

print(‘while fit_intercept is True:…’)

print('Coefficients: ', model1.named_steps[‘linear’].coef_)

print(‘Intercept:’, model1.named_steps[‘linear’].intercept_)

print('the model is: y = ', model1.named_steps[‘linear’].intercept_, ’ + ', model1.named_steps[‘linear’].coef_[1],

‘* X’)

均方误差

print(“Mean squared error: %.2f” % mean_squared_error(y_test, y_test_pred1))

r2 score，0,1之间，越接近1说明模型越好，越接近0说明模型越差

print(‘Variance score: %.2f’ % r2_score(y_test, y_test_pred1), ‘\n’)

fit_intercept 为 False

model2 = Pipeline([(‘poly’, PolynomialFeatures(degree=2)), (‘linear’, LinearRegression(fit_intercept=False))])

model2 = model2.fit(X_train[:, np.newaxis], y_train)

y_test_pred2 = model2.named_steps[‘linear’].coef_[0] + model2.named_steps[‘linear’].coef_[1] * X_test + \

model2.named_steps[‘linear’].coef_[2] * X_test * X_test

print(‘while fit_intercept is False:…’)

print('Coefficients: ', model2.named_steps[‘linear’].coef_)

print(‘Intercept:’, model2.named_steps[‘linear’].intercept_)

print('the model is: y = ', model2.named_steps[‘linear’].coef_[0], ‘+’, model2.named_steps[‘linear’].coef_[1], '* X + ',

model2.named_steps[‘linear’].coef_[2], ‘* X^2’)

均方误差

print(“Mean squared error: %.2f” % mean_squared_error(y_test, y_test_pred2))

r2 score，0,1之间，越接近1说明模型越好，越接近0说明模型越差

print(‘Variance score: %.2f’ % r2_score(y_test, y_test_pred2), ‘\n’)

plt.xlabel(‘x’)

plt.ylabel(‘y’)

画训练集的散点图

plt.scatter(X_train, y_train, alpha=0.8, color=‘black’)

画模型

plt.plot(X_train, model2.named_steps[‘linear’].coef_[0] + model2.named_steps[‘linear’].coef_[1] * X_train +

model2.named_steps[‘linear’].coef_[2] * X_train * X_train, color=‘red’,

linewidth=1)

plt.show()

4.2 结果

如果不用框架，需要自己手动对数据添加高阶项，有了框架就方便多了。sklearn 使用 Pipeline 函数简化这部分预处理过程。

当 PolynomialFeatures 中的degree=1时，效果和使用 LinearRegression 相同，得到的是一个线性模型，degree=2时，是二次方程，如果是单变量的就是抛物线，双变量的就是抛物面。以此类推。

这里有一个 fit_intercept 参数，下面通过一个例子看一下它的作用。

当 fit_intercept 为 True 时，coef_ 中的第一个值为 0，intercept_ 中的值为实际的截距。

当 fit_intercept 为 False 时，coef_ 中的第一个值为截距，intercept_ 中的值为 0。

如图，第一部分是 fit_intercept 为 True 时的结果，第二部分是 fit_intercept 为 False 时的结果。

while fit_intercept is True:…

Coefficients: [ 0.00000000e+00 -3.70858180e-04 2.78609637e-05]

Intercept: 204.25470490804574

the model is: y = 204.25470490804574 + -0.00037085818009180454 * X

Mean squared error: 26964.95

Variance score: -3.61

while fit_intercept is False:…

Coefficients: [ 2.04254705e+02 -3.70858180e-04 2.78609637e-05]

Intercept: 0.0

the model is: y = 204.2547049080572 + -0.0003708581801012066 * X + 2.7860963722809286e-05 * X^2

Mean squared error: 7147.78

Variance score: -0.22

4.3 可视化

文末有福利领取哦~

👉一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉二、Python必备开发工具

👉三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉 四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（文末领读者福利）

👉五、Python练习题

检查学习结果。

👉六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！