机器学习 · 线性回归分析篇

Thomas_CC

已于 2022-05-20 02:21:15 修改

阅读量363

点赞数

分类专栏：模型文章标签：数据分析数据挖掘 python

于 2022-05-18 03:03:17 首次发布

本文链接：https://blog.csdn.net/m0_69785393/article/details/124763267

版权

本文深入探讨了线性回归分析，包括正负线性相关性、非线性和不相关性规则，以及一元和多元回归预测模型。详细介绍了线性回归分析的步骤，如确定自变量与因变量、建立线性回归模型，并解决多重共线性问题，以进行有效的预测分析。

摘要由CSDN通过智能技术生成

在这里插入图片描述

一、线性回归分析

（一）、线性分析

线性分析，是研究因果变量之间的关系，通常利用散点图的形式来描述自变量和因变量之间的关系，发现其是否存在线性相关性，用皮尔逊相关系数 r 的绝对值大小，反应线性相关的程度的分析方法。

在这里插入图片描述

（1）正线性相关

皮尔逊相关系数 r > 0 时 ,即随着一个变量增加，另一个变量随即增加

在这里插入图片描述

（2）负线性相关

皮尔逊相关系数 r < 0 时 , 即随着一 个变量增加，另一个变量随即减少

在这里插入图片描述

（3）非线性相关与不相关

皮尔逊相关系数 r = 0 时 , 即变量与变量间无联系或非线性关系

在这里插入图片描述

（4）线性相关性规则

| r | 越 接 近 1，那  么 相  关 程 度 越 高， 越 接 近 0 ， 相 关 程 度 越 低 。

相关系数r的绝对值	反映的相关程度
｜ r ｜ = 0	无线性相关
0 < ｜ r ｜< 0.3	低度线性关系
0.3 ≤ ｜ r ｜ ≤ 0.8	中度线性关系
0.8 ≤ ｜ r ｜ ≤ 1	高度线性关系

（二）、回归预测分析公式模型

回归预测分析，是利用最小二乘法的方式研究有因果关系的变量之间的数量变化关系的分析方法。

（ 1 ）一元回归预测分析

一元线性回归公式 ： Y = a + b *X +  ε

a ：截距【intercept】
b ：系数【coef】
ε ：误差
Y ：因变量
X ：自变量

（ 2 ）多重回归预测分析

多元线性回归公式 ： Y = a + b  * X1  +  c  * X2  + d  * X3

a ：截距【intercept】
b ：系数【coef】
c ：系数【coef】
d ：系数【coef】
Y ：因变量
X ：自变量

二、线性回归分析的步骤

（一）、确定自变量与因变量，进行变量相关程度分析。

相关模块代码如下：

import pandas as pd

import matplotlib.pyplot as plt
import seaborn as sns

（ 1 ）一元变量分析

步骤：
1）计算自变量与因变量的相关系数
2）自变量和因变量的数据以散点图的形式可视化
3）确定自变量、因变量

代码如下：

# 导入数据
data = pd.read_csv(path)
# 计算自变量与因变量的相关系数
corr = data['自变量'].corr(data['因变量'])
# 描述自变量与因变量数据关系
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.scatter(data['自变量'],data['因变量'])
plt.xlabel('自变量'