【机器学习,Python】多阶多项式回归模型

该代码实现了一个多项式回归模型,使用sklearn库中的PolynomialFeatures和LinearRegression。通过r2_score计算训练集和测试集的评分,评估模型性能,并进行可视化展示预测结果。
摘要由CSDN通过智能技术生成

封装好的方法

可以有可视化表达

有r2评分(前者为训练评价,后者为测试评价,越接近1越好)

from sklearn.preprocessing import PolynomialFeatures
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression
import numpy as np
from sklearn.metrics import r2_score
import pandas as pd
# degree是代表了几阶多项式
# x_train, y_train, x_test, y_test等数据自己准备
def polydemo(degree, x_train, y_train, x_test, y_test):
    polyn = PolynomialFeatures(degree=degree)
    x_train=np.array(x_train).reshape(-1,1)
    x_test=np.array(x_test).reshape(-1,1)
    x_n_train = polyn.fit_transform(x_train)
    x_n_test = polyn.fit_transform(x_test)
    lr = LinearRegression()
    lr.fit(x_n_train, y_train)
    y_n_train_predict = lr.predict(x_n_train)
    y_n_test_predict = lr.predict(x_n_test)
    r2_n_train = r2_score(y_train, y_n_train_predict)
    r2_n_test = r2_score(y_test, y_n_test_predict)
    print('training r2:', r2_n_train)
    print('test r2:', r2_n_test)
    # 可视化
    x_2_range = np.linspace(40, 90, 300).reshape(-1, 1)
    x_2_range = polyn.transform(x_2_range)
    y_2_range_predict = lr.predict(x_2_range)
    fig3 = plt.figure(figsize=(5, 5))
    x_range = np.linspace(40, 90, 300).reshape(-1, 1)
    plt.plot(x_range, y_2_range_predict)
    plt.scatter(x_train, y_train)
    plt.scatter(x_test, y_test)
    plt.title('prediction data')
    plt.xlabel('temperature')
    plt.ylabel('rate')
    plt.show()

data_train=pd.read_csv('T-R-train.csv')
x_train=data_train.loc[:,'T']
y_train=data_train.loc[:,'rate']
data_test=pd.read_csv('T-R-test.csv')
x_test=data_test.loc[:,'T']
y_test=data_test.loc[:,'rate']
polydemo(6,x_train,y_train,x_test, y_test)

 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

岩塘

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值