简单线性回归

简单线性回归

本文主要是构建简单线性回归，是一个自变量与因变量之间的关系，构建发动机排量与二氧化碳排放量简单线性模型。并解释如何进行模型评估。以下数据来源任选其一
数据集来源
数据集来源

一.数据描述

MODELYEAR：年份例如 2014
MAKE：制造 例如讴歌
MODEL：型号 例如 ILX
VEHICLECLASS：车辆类别，例如 SUV
ENGINESIZE：发动机排量例如 4.7
CYLINDERS：气缸，例如 6
TRANSMISSION：传输例如 A6
FUELTYPE：燃料类型，例如 z
FUELCONSUMPTION_CITY：城市油耗（升/100 公里）例如 9.9
FUELCONSUMPTION_HWY：高速公路燃油消耗量（升/100 公里）例如 8.9
FUELCONSUMPTION_COMB：油耗组合 (L/100 km)例如 9.2
FUELCONSUMPTION_COMB_MPG：油耗组合 (每加仑）
CO2EMISSIONS：CO2 排放量（克/公里）例如 182 --> 低 --> 0

二.读取数据

data = pd.read_csv("FuelConsumption.csv")
data.head()
print(data.shape)
data.info()
print("重复值个数", data.duplicated().sum())
print(data.describe())
df = data[['ENGINESIZE', 'CYLINDERS', 'FUELCONSUMPTION_COMB', 'CO2EMISSIONS']]

三.绘制直方图散点图

‘ENGINESIZE’, ‘CYLINDERS’, ‘FUELCONSUMPTION_COMB’,三者分别排放量作直方图再绘制三者各自与排放量的散点图

df.hist()
plt.show()
# 气缸数与二氧化碳排放
plt.scatter(df.CYLINDERS, df.CO2EMISSIONS, color='red')
plt.xlabel('气缸数')
plt.ylabel('二氧化碳排放')
plt.show()
# 综合燃油消耗量与二氧化碳排放
plt.scatter(df.FUELCONSUMPTION_COMB, df.CO2EMISSIONS, color='blue')
plt.xlabel("综合燃油消耗量")
plt.ylabel('二氧化碳排放')
plt.show()
# 发动机排量与而二氧化碳排放
plt.scatter(df.ENGINESIZE, df.CO2EMISSIONS, color='blue')
plt.xlabel("发动机排量")
plt.ylabel('二氧化碳排放')
plt.show()

四.划分训练集测试集

train_size = 0.8
train_data_size = int(train_size * len(df))
# 随机选择80%数据作为训练集
train_data = df[:train_data_size]

五.构建模型

# 构造一元线性回归模型，并用训练集拟合模型
regressor = LinearRegression()
x_train = train_data['ENGINESIZE'].values.reshape(-1, 1)
y_train = train_data['CO2EMISSIONS'].values.reshape(-1, 1)
regressor.fit(x_train, y_train)
print('系数：',regressor.coef_)
print('截距为',regressor.intercept_)

六.模型评估

**MAE（Mean Absolute Error）**是指平均绝对误差，是回归模型中用来评估模型预测结果的误差大小的指标之一。
MAE的计算方法是将测试数据的预测值与真实值之差取绝对值后累加，然后再除以测试数据总数，得到预测误差的平均值。MAE越小，则说明模型预测结果的精度越高。

**MSE（Mean Squared Error）**是指平均平方误差，是回归模型中用来评估模型预测结果的误差大小的指标之一。
MSE的计算方法是将测试数据的预测值与真实值之差平方后累加，然后再除以测试数据总数，得到预测误差的平均平方值。MSE越小，则说明模型预测结果的精度越高。

**RMSE（Root Mean Square Error）**是指均方根误差，是回归模型中用来评估模型预测结果的误差大小的指标之一。
RMSE的意义与MSE类似，都是用来评估模型的预测精度，其值越小说明模型的预测精度越高。RMSE相对于MSE有更好的可解释性，因为它的单位是与原始数据一致的，例如对于CO2排放量这样的物理量，RMSE的值是以g/km为单位的，更容易帮助我们理解模型预测结果的误差大小。

**RAE（Relative Absolute Error）**是指相对绝对误差，也是回归模型中用来评估模型预测结果的误差大小的指标之一。
RAE主要是用来比较同一自变量模型在不同数据集上的预测结果，或比较不同自变量模型在同一数据集上的预测结果。RAE是用预测误差的平均绝对值除以真实值的平均绝对值得到的，它的值一般是小于1的，越小说明模型的预测精度越高。

**RSE（Relative Squared Error）**是指相对平方误差，也是回归模型中用来评估模型预测结果的误差大小的指标之一。
RSE主要是用来比较同一自变量模型在不同数据集上的预测结果，或比较不同自变量模型在同一数据集上的预测结果。RSE是用预测误差的平方除以真实值的平均平方值得到的，它的值一般是小于1的，越小说明模型的预测精度越高。

在模型的训练中

# 测试模型，用测试集计算R平方值
test_data = df[train_data_size:]
x_test = test_data['ENGINESIZE'].values.reshape(-1, 1)
y_test = test_data['CO2EMISSIONS'].values.reshape(-1, 1)
r_squared = regressor.score(x_test, y_test)
print('R平方值:', r_squared)

在模型训练完之后

test_x = np.asanyarray(test_data[['ENGINESIZE']])
test_y = np.asanyarray(test_data[['CO2EMISSIONS']])
test_y_ = regressor.predict(test_x)
print("Mean absolute error: %.2f" % np.mean(np.absolute(test_y_ - test_y)))
print("Residual sum of squares (MSE): %.2f" % np.mean((test_y_ - test_y) ** 2))
print("R2-score: %.2f" % r2_score(test_y , test_y_) )

七.模型构建完成

plt.scatter(x_test, y_test, color='red')
plt.plot(x_test, regressor.predict(x_test), color='blue')
plt.title('Engine Size vs CO2 Emissions')
plt.xlabel('Engine Size')
plt.ylabel('CO2 Emissions')
plt.show()