文章目录
一、使用Excel拟合线性回归模型
1、20组数据拟合
线性回归方程为:y= 4.128x -152.23
相关系数:R^2=0.3254
2、200组数据拟合
线性回归方程为:y= 3.4317x -105.96
相关系数:R^2=0.31
3、2000组数据拟合
线性回归方程为:y= 2.9555x -73.661
相关系数:R^2=0.2483
二、用jupyter编程(不借助第三方库),用最小二乘法
3、20组数据拟合
线性回归方程为:y= 4.1280375x -152.23378453
相关系数:R^2=0.32542302
2、200组数据拟合
线性回归方程为:y= 3.43166515 x -105.95901105
相关系数:R^2=0.30999553
3、2000组数据拟合
线性回归方程为:y= 2.95552697x -73.66078552
相关系数:R^2=0.2483012
三、使用jupyter编程,借助sklearn
1、20组数据拟合
先导入身高体重的数据集文件,然后开始书写代码,先导入需要的包,做好数据准备工作。
二十组数据得到的结果:
线性回归方程为:y= 4.1280375x -152.23378453
相关系数:R^2=0.3254230249366249
2、200组数据拟合
二百组数据得到的结果:
线性回归方程为:y= 3.43166515 x -105.95901105
相关系数:R^2=0.309995534330923
3、2000组数据拟合
二千组数据得到的结果:
线性回归方程为:y= 2.95552697x -73.66078552
相关系数:R^2=0.24830120336384287