Python实现多项式回归实战——以及与线性回归的拟合效果对比

最新推荐文章于 2024-08-08 16:43:27 发布

mico_cmm

最新推荐文章于 2024-08-08 16:43:27 发布

阅读量8.1k

点赞数 7

分类专栏： Python机器学习

本文链接：https://blog.csdn.net/mico_cmm/article/details/86927451

版权

本文通过实例展示了如何使用Python进行多项式回归，并与线性回归进行拟合效果对比。在房屋面积预测价格的数据中，发现二项式回归相比线性回归有更好的拟合效果。进一步尝试三次回归，虽然得分略高，但可能存在过拟合风险，因此选择了二次回归模型。

摘要由CSDN通过智能技术生成

对于给出的数据做出散点图，可以大致看出模型是否适合做线性回归，但是，线性回归一定是拟合最好的模型吗？答案是否定的。有时候，多项式回归会得出拟合效果更好的模型，但是也需要注意过拟合的线性。

下面，还是以房屋面积预测房屋价格的数据为例：

读取数据，绘制散点图：

 多项式回归
import matplotlib.font_manager as fm
import matplotlib.pyplot as plt
from sklearn import linear_model
import numpy as np
from sklearn.linear_model import LinearRegression #导入线性回归模型
from sklearn.preprocessing import PolynomialFeatures # 导入多项式回归模型

# 字体
myfont = fm.FontProperties(fname='C:\Windows\Fonts\simsun.ttc')
# plt.figure()  # 实例化作图变量
plt.title('房价面积价格样本', fontproperties = myfont)  # 图像标题
plt.xlabel('面积(平方米)', fontproperties = myfont)  # x轴文本
plt.ylabel('价格(万元)', fontproperties = myfont)  # y轴文本
# plt.axis([30, 400, 100, 400])
plt.grid(True)  # 是否绘制网格线

# 训练数据（给定的房屋面积x和价格y）
X = [[50], [100], [150], [200], [250], [300]]
y = [[150], [200], [250], [280], [310]