多元线性回归
多元线性回归是线性回归的一种扩展形式,它涉及多个自变量(特征)与一个因变量之间的关系。多元线性回归模型的数学表示如下:
各个参数的解释:
案例
advertising.csv文件是某商品的广告推广费用(单位为元)和销售额数据(单位为千元),其中每行代表每一周
的广告推广费用(包含淘宝、抖音和小红书三种广告费用)和销售额。 若在未来的某两周,将各种广告投放金额
按如下分配, 请预测对应的商品销售额:
(1)淘宝: 200,抖音:100,小红书: 150
(2)淘宝: 300,抖音:150,小红书: 200
advertising.csv概览:
模型建立
y = a x 1 + b x 2 + c x 3 + d x 4 + A ax_1+ bx_2 + cx_3 + dx_4 + A ax1+bx2+cx3+dx4+A
其中 y 是预期销售额,x1~x4是对应推广费用,b是误差项
代码实现
我们可以使用 LinearRegression 创建模型,
使用 mean_squared_error 模块,计算计算均方误差回归损失,从而评估模型
最终带入我们要预测的那几个数字,对销量进行预估
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
# 读取包含所有四种数据的 CSV 文件
all_data = pd.read_csv('advertising.csv')
# 划分数据集
X = all_data[['taobao','tiktok','little red book']]
print(X)
y = all_data['sales']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 选择线性回归模型
model = LinearRegression()
# 训练模型
model.fit(X_train, y_train)
# 评估模型
y_pred_train = model.predict(X_train)
mse_train = mean_squared_error(y_train, y_pred_train)
print(f'Mean Squared Error on Training Data: {mse_train}')
# 进行预测
X_new = pd.DataFrame({'taobao': [200], 'tiktok': [100], 'little red book': [150]})
y_pred_new = model.predict(X_new)
print(f'Predicted Output for New Input: {y_pred_new[0]}')
X_new = pd.DataFrame({'taobao': [300], 'tiktok': [150], 'little red book': [200]})
y_pred_new = model.predict(X_new)
print(f'Predicted Output for New Input: {y_pred_new[0]}')
结果
项目源地址:
https://gitee.com/yishangyishang/homeword.git