使用线性回归做客户价值预测

最新推荐文章于 2024-03-27 21:46:53 发布

换头像真麻烦

最新推荐文章于 2024-03-27 21:46:53 发布

阅读量1.2k

点赞数

分类专栏：数据分析

本文链接：https://blog.csdn.net/HAIYUANBOY/article/details/89536554

版权

本文探讨了线性回归在数据统计分析中的应用，包括线性、抛物线、对数和指数关系。重点讲解了线性回归模型、正则化方法如岭回归和LASSO，并介绍了简单线性回归的估计过程，如如何分析收入与支出的关系。通过R-squared和Adj. R-squared评估模型优劣，并讨论了多元线性回归中的变量筛选方法。

摘要由CSDN通过智能技术生成

数据统计分析中 y 和 x 的关系

线性关系：y = β * x
抛物线关系：y = β0 * x + β1 * x^2
对数关系：y = ln(x)
指数关系：y = e^x
...

主要内容

线性回归的模型、目标与算法
正则化方法：岭回归、LASSO算法、弹性网络
算法汇总：最小二乘法、极大似然估计、正则化的最小二乘法

扰动项就是不能被 X 解释的 Y 的变异，就是找不到解释的因素

简单线性回归的估计

import matplotlib.pyplot as plt
import os
import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.formula.api import ols

os.chdir(r"D:\pydata")
#pd.set_option('display.max_columns', 8)


# 导入数据和数据清洗

# In[2]:

raw = pd.read_csv(r'creditcard_exp.csv', skipinitialspace=True)
raw.head()


# In[3]:

exp = raw[raw['avg_exp'].notnull()].copy().iloc[:, 2:].drop('age2',axis=1)

exp_new = raw[raw['avg_exp'].isnull()].copy().iloc[:, 2:].drop('age2',axis=1)

分出训练集和预测集

lm_s = ols('avg_exp ~ Income', data=exp).fit()
lm_s.summary()


                            OLS Regression Results                            
==============================================================================
Dep. Variable:                avg_exp   R-squared:                       0.454
Model:                            OLS   Adj. R-squared:                  0.446
Method:                 Least Squares   F-statistic:                     56.61
Date: