第一次认识线性回归

最新推荐文章于 2024-08-21 10:57:28 发布

KeCchuqiu

最新推荐文章于 2024-08-21 10:57:28 发布

阅读量168

点赞数

文章标签：线性回归 python 算法

本文链接：https://blog.csdn.net/KeCchuqiu/article/details/129626554

版权

一、excel中数据分析功能做线性回归练习

（一）用excel打开下载的身高体重文件夹。

（二）添加数据分析的工具：

1.文件—更多—选项

2.点击加载项，后点击跳转

3.勾选分析工具库和分析工具库—VBA，后点击确定

4.点击查看右上角有一个数据分析，则添加成功

（三）用excel表完成线性回归

1.点击数据—数据分析—回归，点击确定

2.选择体重做Y值，身高X值，选取20个数据

输入自己适合的输出区域，选择线性拟合图，点击确定

3.输出图表如下

4.点击选择原始数据，鼠标右键。选择添加趋势线，设置趋势线格式为线性，点击选择显示公式，显示R平方值

5.以同样的方法选择200个数据

6.其图像数据如下

7.继续选择2000个数据

8.获得回归图像、方程、相关系数如下

二、jupyter编程（不借助第三方库），最小二乘法，重做第1题

（一）打开jupyter notebook程序

（二）新建文件

(三)代码：

# 导入所需的模块
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

p=pd.read_excel('D:\\Kek\\w.xls','weights_heights')
#读取数据行数
p1=p.head(20)
x=p1["Height"]
y=p1["Weight"]
# 数据处理
# sklearn 拟合输入输出一般都是二维数组，这里将一维转换为二维。
y = np.array(y).reshape(-1, 1)
x = np.array(x).reshape(-1, 1)
# 拟合
reg = LinearRegression()
reg.fit(x,y)
a = reg.coef_[0][0]     # 系数
b = reg.intercept_[0]   # 截距
print('拟合的方程为：Y = %.4fX + (%.4f)' % (a, b))
c=reg.score(x,y)    # 相关系数
print(f'相关回归系数为%.4f'%c)

# 可视化
prediction = reg.predict(y)
# 根据高度，按照拟合的曲线预测温度值
plt.xlabel('身高')
plt.ylabel('体重')
plt.scatter(x,y)
y1 = a*x + b
plt.plot(x,y1,c='r')

运行结果如下：