文章目录
一.用excel中数据分析功能做线性回归练习。
(1)用excel打开下载的身高体重文件
(2)添加工具用于数据分析
首先点击更多-选项。
点击加载项-转到。
勾选两个工具库,点击确定。
点击数据可以看到有数据分析选项即添加成功。
(3)进行线性回归分析
1. 20组数据
点击数据分析,选择回归,点击确定
先选择20个数据,体重为Y,身高为X,并设定一个输出区域,选定输出线性拟合图,输出图表如下:
这样不便于观察,我们修改一下横坐标,需要点击横坐标,点击坐标轴选项,修改最小值和最大值,如下图:
点击原始数据,点击添加趋势线,点击显示公式,显示R平方值,记录公式和R的平方的值如下图。
2. 200组数据
此时需要选择200组数据,并按上述方法操作即可。
结果如下图:
3. 2000组数据
操作方法同上,结果如下。
二.用jupyter编程(不借助第三方库),用最小二乘法,重做第1题
(1)用Jupyter Notebook创建一个新的文件
(2)代码以及实验结果
先准备数据,把我们的数据文档上传到jupyter,方便用的时候可以不修改路径,在下图所示处可以上传数据。
1. 20组数据
代码如下:
import pandas as pd
import numpy as np
import math
#准备数据
p=pd.read_excel('weights_heights.xls','weights_heights')
#读取20行数据
p1=p.head(20)
x=p1["Height"]
y=p1["Weight"]
# 平均值
x_mean = np.mean(x)
y_mean = np.mean(y)
#x(或y)列的总数(即n)
xsize = x.size
zi=((x-x_mean)*(y-y_mean)).sum()
mu=((x-x_mean)*(x-x_mean)).sum()
n=((y-y_mean)*(y-y_mean)).sum()
# 参数a b
a = zi / mu
b = y_mean - a * x_mean
#相关系数R的平方
m=((zi/math.sqrt(mu*n))**2)
# 这里对参数保留4位有效数字
a = np.around(a,decimals=4)
b = np.around(b,decimals=4)
m = np.around(m,decimals=4)
print(f'回归线方程:y = {a}x +({b})')
print(f'相关回归系数为{m}')
#画出拟合曲线
y1 = a*x + b
plt.scatter(x,y)
plt.plot(x,y1,c='r')
结果如下:
2. 200组数据
在下图位置处改成200即可。
结果如下:
3. 2000组数据
修改方式同上,结果如下:
三.用SKLearn实现线性回归分析
(1)代码及实验结果
# 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('weights_heights.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('Height') #label中如果有中文会报警告
plt.ylabel('Weight')
plt.scatter(x,y)
y1 = a*x + b
plt.plot(x,y1,c='r')
1. 20组数据
2. 200组数据
3. 2000组数据
四、总结
三种方法得出的结果几乎相同,R的平方的值基本在0.2-0.3,可以看出拟合效果比较差,操作方法上,用Excel和SKLearn库都只需要调用即可,而自己编写的话需要编写公式比如最小二乘法和R2的公式,本次实验加深了我对线性回归的理解。