多元线性回归（MLR）预测模型及其Python和MATLAB实现

多元线性回归（MLR）是一种线性回归模型，可以用来预测一个因变量与多个自变量之间的关系。

 

### Python实现

 

将使用`scikit-learn`库来实现多元线性回归模型。如果还没有安装该库，使用以下命令安装：

 

```bash

pip install scikit-learn

```

 

#### Python代码示例

 

```python

import numpy as np

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LinearRegression

from sklearn.metrics import mean_squared_error, r2_score

 

# 生成示例数据

# 假设有5个自变量

np.random.seed(0)

X = np.random.rand(100, 5) # 100个样本和5个特征

y = 3 + 2 * X[:, 0] + 3 * X[:, 1] + np.random.randn(100) # 生成y值

 

# 分割数据集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

 

# 创建并训练模型

model = LinearRegression()

model.fit(X_train, y_train)

 

# 进行预测

y_pred = model.predict(X_test)

 

# 评估模型

mse = mean_squared_error(y_test, y_pred)

r2 = r2_score(y_test, y_pred)

 

print("均方误差 (MSE):", mse)

print("R²-score:", r2)

```

 

 

### MATLAB实现

 

在MATLAB中，可以使用`fitlm`函数来创建多元线性回归模型。

 

#### MATLAB代码示例

 

```matlab

% 生成示例数据

rng(0); % 设定随机数种子

X = rand(100, 5); % 100个样本和5个特征

y = 3 + 2 * X(:,1) + 3 * X(:,2) + randn(100, 1); % 生成y值

 

% 拟合多元线性回归模型

mdl = fitlm(X, y);

 

% 查看模型输出

disp(mdl);

 

% 进行预测

y_pred = predict(mdl, X);

 

% 评估模型

mse = mean((y - y_pred).^2); % 均方误差

r2 = 1 - sum((y - y_pred).^2) / sum((y - mean(y)).^2); % R²-score

 

fprintf('均方误差 (MSE): %.4f\n', mse);

fprintf('R²-score: %.4f\n', r2);

```

 

### 结论

 

这两个实现展示了如何在Python和MATLAB中构建和评估多元线性回归模型。根据需追求的精度和分析的复杂性，可以选择适合的工具和方法来实现。