文章目录
1、利用excel中数据分析功能做线性回归练习。
1、打开excel,添加数据分析工具。
点击开始->更多->选项
点击加载项->分析工具库->转到
然后,点击分析工具库,再点确定
然后,这里就会出现分析栏。
2、数据分析
首先点击数据分析
点击回归->确定
选择身高作X,体重作Y,再选择20个数据,选择合适的输出区域,并且给线性拟合图打勾,点击确定。
输出下图
再双击体重,设置最大,最小值以及间隔
最后成果,如下
然后,点击+号,点击趋势线
点击Y,点击确定
结果如下
双击实线,设置显示方程和R
最后效果如下
3、以上方式再选中更多数据
选中200个数据
最后结果如下:
选中2000个数据
最后结果如下:
2、jupyter编程(不借助第三方库),用最小二乘法
1、打开jupyter,新建文件
重命名文件
再将所需要的文件导入jupyter中,
点击该文件,确定
完成后,jupyter中就有了该文件
就不用在程序里使用数据文件时加入路径。
2、输入代码
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}')
#借助第三方库skleran画出拟合曲线
y1 = a*x + b
plt.scatter(x,y)
plt.plot(x,y1,c='r')
点击运行。
3、查看结果
结果如下
同理,200行,和2000行也一样
20改为200或2000。
结果如下
200:
2000:
3、用jupyter编程,借助skleran
1、如上,先建一个新文件,并重命名。
2、输入代码
# 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('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('身高')
plt.ylabel('体重')
plt.scatter(x,y)
y1 = a*x + b
plt.plot(x,y1,c='r')
点击运行。
3、查看结果
结果如下
同理,200行和2000行
200行:
2000行
4、总结
Excel和jupyter解决线性回归问题得出的结果大致相同。Excel只需选中数据,通过其内部设计好的算法得出相关数据。操作相对简单。但自己编程不用sklearn库的话,要自己设计算法来得到相关系数,斜率和截距,并以此数据来绘图。因为sklearn库有提供相关的函数,所以只需要调用函数即能得到输出值。