第六章线性回归的拓展 - 多项式回归

最新推荐文章于 2023-03-18 16:35:51 发布

喝醉酒的小白

最新推荐文章于 2023-03-18 16:35:51 发布

阅读量3.4k

点赞数 1

分类专栏：应用回归分析-俞昊东

本文链接：https://blog.csdn.net/hezuijiudexiaobai/article/details/104731122

版权

应用回归分析-俞昊东专栏收录该内容

13 篇文章 6 订阅

订阅专栏

披萨尺寸&价格

0 绘图函数

Jupyter中文字体显示

import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
font_set = FontProperties(fname=r"/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc", size=16) 

def runplt():
    plt.figure()# 定义figure
    plt.title(u'披萨的价格和直径',fontproperties=font_set)
    plt.xlabel(u'直径（inch）',fontproperties=font_set)
    plt.ylabel(u'价格（美元）',fontproperties=font_set)
    plt.axis([5, 20, 5, 20]) # 坐标轴
    plt.grid(True) # 网格线
    return plt

1 生成数据

import numpy as np

X_train = np.array([6, 8, 10, 14, 18])
y_train = np.array([7, 9, 13, 17.5, 18])

M1 = np.vstack((np.ones_like(X_train), X_train)).T # 增加一行1，并转置
M2 = np.vstack((np.ones_like(X_train), X_train, X_train**2)).T
M3 = np.vstack((np.ones_like(X_train), X_train, X_train**2, X_train**3)).T

X_train

y_train

np.ones_like(X_train)

M1

在这里插入图片描述

2 拟合模型

import statsmodels.api as sm

res_1 = sm.OLS(y_train, M1).fit()
res_2 = sm.OLS(y_train, M2).fit()
res_3 = sm.OLS(y_train, M3).fit()

Linear

Quadratic polynomial

二次项回归优于线性回归

Cubic polynomial

三次项回归AIC大于二次项回归的AIC

AIC

statsmodels.api res_1.summary() res_1.summary2() 有和不同？？？

print(res_1.summary2())

在这里插入图片描述

3 画图

计算拟合值

y1_fitted = res_1.fittedvalues
y2_fitted = res_2.fittedvalues
y3_fitted = res_3.fittedvalues

原始数据散点图

plt = runplt()
plt.scatter(X_train, y_train, c='b', label='Data')
plt.legend()

在这里插入图片描述

3.1 Linear

plt = runplt()
plt.scatter(X_train, y_train, c='b', label='Data')
plt.plot(X_train, y1_fitted, 'g-', label='Linear')
plt.legend()

在这里插入图片描述

3.2 Quadratic polynomial

plt = runplt()
plt.scatter(X_train, y_train, c='b', label='Data')
plt.plot(X_train, y2_fitted, 'y--', label='Quadratic polynomial')
plt.legend()

在这里插入图片描述

3.3 Cubic polynomial

plt = runplt()
plt.scatter(X_train, y_train, c='b', label='Data')
plt.plot(X_train, y3_fitted, 'r:', label='Cubic polynomial')
plt.legend()

在这里插入图片描述

3.4 综合比较

plt = runplt()
plt.scatter(X_train, y_train, c='b', label='Data')
plt.plot(X_train, y1_fitted, 'g-', label='Linear')
plt.plot(X_train, y2_fitted, 'y--', label='Quadratic polynomial')
plt.plot(X_train, y3_fitted, 'r:', label='Cubic polynomial')
plt.legend()

在这里插入图片描述