3.1.1线性回归模型简介-CSDN博客

本文链接：https://blog.csdn.net/m0_71943013/article/details/130332797

该代码段使用pandas读取Advertising.csv数据集，然后通过matplotlib绘制散点图，展示电视、广播和报纸广告预算与销售额的关系。接着，定义了一个线性回归模型进行预测，并计算了第一个观测点的预测值、残差平方。最后，定义了一个函数来计算所有数据点的残差平方和（RSS），以评估模型的拟合度。

摘要由CSDN通过智能技术生成

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

for_mat = 'Advertising.csv'
advertising = pd.read_csv(for_mat)
advertising.head()

"""定义打印散点图函数plt_show()"""


def plt_show():
    """分别以三个变量为横轴，绘制散点图"""
    plt.scatter("TV", "sales", data=advertising, label="TV", marker="D")
    plt.scatter("radio", "sales", data=advertising, marker="o", label="radio")
    plt.scatter("newspaper", "sales", data=advertising, marker="s", label="newspaper")

    """为图片增加图例,参数loc用于设置图例位置"""
    plt.legend(loc="lower right")
    plt.xlabel("Advertising Budgets", fontsize=16)
    plt.ylabel("Sales", fontsize=16)
    plt.show()


"""线性回归模型的预测函数linear_model()"""


def linear_model(input_i, weight, b):
    prediction = np.sum(input_i * weight) + b
    return prediction


# plt_show() #调用绘制散点图函数
b = 10
w = np.array([0.1, 0.1, 0.1])  # 给定自变量权重


def observe():
    input_0 = advertising.values[0][0:3]  # 获取输入
    print("从第一个观测点的自变量向量为" + str(input_0))

    # 使用线性回归模型得到input_0的预测值
    pred = linear_model(input_0, w, b)
    print("第一个观测点的预测值为" + str(pred))

    """
    从数据advertising中得到第一行第四列的因变量target（sales）
    并计算残差平方
    """
    target = advertising.values[0][3]
    loss = (pred - target) ** 2
    print("残差平方为" + str(loss))


# observe() #调用第一个数据观测函数


"""
计算广告残差平方和
损失函数为 RSS(b,w)
"""


def rs_s():
    rss = 0
    for i in range(len(advertising)):
        input_1 = advertising.values[i][0:3]
        pred = linear_model(input_1, w, b)
        target = advertising.values[0][3]
        rss += (pred - target) ** 2 / 2 / len(advertising)
    print(rss)


# rs_s() # 调用残差平方和计算函数