1、简单线性回归模型举例:汽车卖家做电视广告数量与卖出汽车数量:
(1)对于上面示例中给定的点,如何连出适合简单线性回归模型的最佳线性回归线?
将上述实例中的5个点在坐标系中绘出,
目的:找到一个方程可以模拟出最好的回归线;最好的回归线是最能够体现实例点的分布趋势的直线。
量化是最好的回归线的数学方法是:,
即:使得对于每个实例点的真实值与估计值只差的平方和最小的回归线。
注:是给出的数据的真实值,
是估计的值,也就是画出的回归线上对应的值。
(2)计算
通过对给出的条件求导,让导数为0,求出
和
。
b1=[(1-2)(14-20)+(3-2)(24-20)+(2-2)(18-20)+(1-2)(17-20)+(3-2)(27-20)]/[(1-2)^2+(3-2)^2+(2-2)^2+(1-2)^+(3-2)^2]=20/4=5
b0=20-5*2=10
可以得出估计线性回归方程为:
(3)预测
假设有一周广告数量为6,预测汽车销量是多少?
直接将x_given=6带入上面的估计线性回归方程,得出预测的汽车销量为:y_hat = 5*6+10=40
(4)在Python中实现上面的例子
#!/usr/bin/env python
# -*- coding:utf-8 -*-
# Author:ZhengzhengLiu
import numpy as np
def fitSLR(x,y): #x,y分别是两个列表list
n=len(x)
dinominator = 0 #分母
numerator = 0 #分子
for i in range(0,n):
numerator += (x[i]-np.mean(x))*(y[i]-np.mean(y))
dinominator += (x[i]-np.mean(x))**2
print("numerator:",numerator)
print("dinominator:",dinominator)
b1 = numerator/float(dinominator)
b0 = np.mean(y)-b1*np.mean(x)
return b0,b1
def predict(x,b0,b1):
return b0+b1*x
x = [1,3,2,1,3]
y = [14,24,18,17,27]
b0,b1 = fitSLR(x,y)
print("intercept:",b0,"slope:",b1)
x_test = 6
y_test = predict(x_test,b0,b1)
print("y_test:",y_test)
运行结果:
numerator: 20.0
dinominator: 4.0
intercept: 10.0 slope: 5.0
y_test: 40.0