基于jupyter notebook的python编程-----运用sklearn库，导入文件数据模拟多元线性回归分析

上次的人工智能博客，林君学长给大家介绍 如何运用python得sklearn库进行一元线性回归的分析
然而，在现实生活中，很多事物的因素都不止一个原因，都是由多个原因导致的，也就是我，我们需要模拟更多的自变量去预测因变量的取值，这是现实中的普遍的问题，也是我们需要用计算机软件去解决的问题
因此，本次博客，林君学长将给大家介绍，如何使用sklearn对多元线性回归进行模拟分析

一、运行jupyter notebook，搭建python环境

1、打开Windows终端命令行，输入jupyter notebook，打开我们的jupyter工具，如下所示：

2、在jupyter的web网页中创建python文件，如下所示：

3、现在就可以在jupyter的代码行里面输入我们的代码啦！

二、以下列的xlsx表格文件为例，编写我们的python代码的分解步骤

文件内容如下：

表格文件中为自变量X1、X2、X3与因变量Y的线性回归关系

1、导入我们需要的基本库

from sklearn import linear_model        #表示，可以调用sklearn中的linear_model模块进行线性回归。
import pandas as pd
import seaborn as sns  
import matplotlib.pyplot as plt
%matplotlib inline

1)、其中seaborn库的数据可视化效果比较好看，其实seaborn也应该属于matplotlib的内部包，只是需要再次的单独安装。
如果没有的同学，可以在python的终端命令行里输入如下命令安装：

pip install seaborn

2、导入我们数据文件[多元线性回归.xlsx]

data=pd.read_excel('D:\\多元线性回归.xlsx')
#print(data.head())#打印数据的前5行
#print(data.tail())#打赢数据的后5行

上面注释到打赢输出内容为，打印我们表格文件中的数据，看我们的数据是不是完全导入进去了！

3、为我们的x,y赋值采样

1）、构建X(特征向量)和y(标签列)

X=data[['X1','X2','X3']]   
y=data['Y']    
y=data.Y    

上述分别把标题X1\X2\X3赋值给因变量X，将因变量赋值给y,其中：X是一个特征矩阵，y是一个NumPy向量。

4、构建训练集与测试集

model = linear_model.LinearRegression()
model.fit(X,y)   

5、下面就是运用sklearn库进行数据处理，求y=ax1+a1x2+a2x3+b中的系数和截距

print("X1=",model.coef_[0])
print("X2=",model.coef_[1])
print("X3=",model.coef_[2])
print("截距为=",model.intercept_)

以上的数据处理不需要我们去管，是第三方库sklearn写好了的，我们直接拿来用就ok

6、输出打印我们求出的线性回归方程

print("多元线性回归方程为:y=",model.coef_[0],"X1+",model.coef_[1],"X2+",model.coef_[2],"X3+",model.intercept_)

7、通过seaborn库画出拟合曲线图

sns.pairplot(data, x_vars=['X1','X2','X3'], y_vars='Y', height=3, aspect=0.8, kind='reg')  
plt.show()  

以上就是运用sklearn库来进行多元线性方程的回归分析，过程比较简单，基本就是运用第三方的库！

三、python利用sklearn库分析回归方程的全部源码

import pandas as pd
import seaborn as sns  
import matplotlib.pyplot as plt
from sklearn import linear_model
%matplotlib inline
data=pd.read_excel('D:\\多元线性回归.xlsx')
#print(data.head())
#print(data.tail())   
X=data[['X1','X2','X3']]   
y=data['Y']    
y=data.Y    
model = linear_model.LinearRegression()
model.fit(X,y)
print("X1=",model.coef_[0])
print("X2=",model.coef_[1])
print("X3=",model.coef_[2])
print("截距为=",model.intercept_)
print("多元线性回归方程为:y=",model.coef_[0],"X1+",model.coef_[1],"X2+",model.coef_[2],"X3+",model.intercept_)
sns.pairplot(data, x_vars=['X1','X2','X3'], y_vars='Y', height=3, aspect=0.8, kind='reg')  
plt.show()  

四、[shift+enter]运行我们的代码

可以看到，以上就是我们自变量X1、X2、X3对于因变量Y的多元线性回归分析
seaborn的pairplot函数绘制X的每一维度和对应Y的散点图。通过设置height和aspect参数来调节显示的大小和比例。可以从图中看出，X1特征和Y是有比较强的线性关系的，而X2和Y线性关系弱一些，X3和Y线性关系更弱。通过加入一个参数kind=‘reg’，seaborn可以添加一条最佳拟合直线和95%的置信带。
以上就是我们本次博客的全部内容，希望通过本次博客，大家可以更好的理解如何运用第三方库sklearn求多元线性回归方程哦！
遇到问题的小伙伴记得在评论区留言，学长给你们耐心解答！
陈一月的又一天编程岁月^ _ ^