matlab一元线性回归分析_python多重线性回归分析

python多重线性回归分析

多重线性回归分析

定义

1. 多重线性回归模型：Mulitiple Linear Regression

• 包含两个或两个以上自变量的线性回归模型

多元线性回归模型：Multivariate Linear Regression

• 包含两个或两个以上因变量的线性回归模型

数据准备

#多重线性回归

#数据准备

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

df

根据预测目标，确定自变量和因变量

#多重线性回归

#数据准备

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定义自变量

x=df[['营销费用(万元)','客流量(万人次)']]

#定义因变量

y=df[['销售额(万元)']]

#计算相关系数

df['营销费用(万元)'].corr(df['销售额(万元)'])

#多重线性回归

#数据准备

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定义自变量

x=df[['营销费用(万元)','客流量(万人次)']]

#定义因变量

y=df[['销售额(万元)']]

#计算相关系数

df['客流量(万人次)'].corr(df['销售额(万元)'])

绘制散点图，确定回归模型类型

#多重线性回归

#数据准备

import matplotlib

import matplotlib.pyplot as plt

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定义自变量

x=df[['营销费用(万元)','客流量(万人次)']]

#定义因变量

y=df[['销售额(万元)']]

#计算相关系数

df['营销费用(万元)'].corr(df['销售额(万元)'])

df['客流量(万人次)'].corr(df['销售额(万元)'])

#营销费用 作为x轴

#销售额 作为y轴

#绘制散点图

df.plot('营销费用(万元)','销售额(万元)',kind='scatter')

#多重线性回归

#数据准备

import matplotlib

import matplotlib.pyplot as plt

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定义自变量

x=df[['营销费用(万元)','客流量(万人次)']]

#定义因变量

y=df[['销售额(万元)']]

#计算相关系数

df['营销费用(万元)'].corr(df['销售额(万元)'])

df['客流量(万人次)'].corr(df['销售额(万元)'])

#营销费用 作为x轴

#销售额 作为y轴,绘制散点图

df.plot('营销费用(万元)','销售额(万元)',kind='scatter')

#客流量 作为x轴

#销售额 作为y轴,绘制散点图

df.plot('客流量(万人次)','销售额(万元)',kind='scatter')

估计模型参数，建立线性回归模型

#多重线性回归

#数据准备

import matplotlib

import matplotlib.pyplot as plt

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定义自变量

x=df[['营销费用(万元)','客流量(万人次)']]

#定义因变量

y=df[['销售额(万元)']]

#计算相关系数

df['营销费用(万元)'].corr(df['销售额(万元)'])

df['客流量(万人次)'].corr(df['销售额(万元)'])

#营销费用 作为x轴

#销售额 作为y轴,绘制散点图

df.plot('营销费用(万元)','销售额(万元)',kind='scatter')

#客流量 作为x轴

#销售额 作为y轴,绘制散点图

df.plot('客流量(万人次)','销售额(万元)',kind='scatter')

#导入sklearn.linear_model 模块中的LinearRegression函数

from sklearn.linear_model import LinearRegression

#使用线性回归模型进行建模

lrModel= LinearRegression()

#使用自变量x和因变量y训练模型

lrModel.fit(x,y)

#多重线性回归

#数据准备

import matplotlib

import matplotlib.pyplot as plt

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定义自变量

x=df[['营销费用(万元)','客流量(万人次)']]

#定义因变量

y=df[['销售额(万元)']]

#计算相关系数

df['营销费用(万元)'].corr(df['销售额(万元)'])

df['客流量(万人次)'].corr(df['销售额(万元)'])

#营销费用 作为x轴

#销售额 作为y轴,绘制散点图

df.plot('营销费用(万元)','销售额(万元)',kind='scatter')

#客流量 作为x轴

#销售额 作为y轴,绘制散点图

df.plot('客流量(万人次)','销售额(万元)',kind='scatter')

#导入sklearn.linear_model 模块中的LinearRegression函数

from sklearn.linear_model import LinearRegression

#使用线性回归模型进行建模

lrModel= LinearRegression()

#使用自变量x和因变量y训练模型

lrModel.fit(x,y)

#使用训练得到的模型的coef_属性,即可得到模型的参数b,

#使用训练得到的模型的intercept_属性，即可得到模型的参数a

#查看参数

lrModel.coef_

# 查看截距

lrModel.intercept_

对回归模型进行验证

#多重线性回归

#数据准备

import matplotlib

import matplotlib.pyplot as plt

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定义自变量

x=df[['营销费用(万元)','客流量(万人次)']]

#定义因变量

y=df[['销售额(万元)']]

#计算相关系数

df['营销费用(万元)'].corr(df['销售额(万元)'])

df['客流量(万人次)'].corr(df['销售额(万元)'])

#营销费用 作为x轴

#销售额 作为y轴,绘制散点图

df.plot('营销费用(万元)','销售额(万元)',kind='scatter')

#客流量 作为x轴

#销售额 作为y轴,绘制散点图

df.plot('客流量(万人次)','销售额(万元)',kind='scatter')

#导入sklearn.linear_model 模块中的LinearRegression函数

from sklearn.linear_model import LinearRegression

#使用线性回归模型进行建模

lrModel= LinearRegression()

#使用自变量x和因变量y训练模型

lrModel.fit(x,y)

#使用训练得到的模型的coef_属性,即可得到模型的参数b,

#使用训练得到的模型的intercept_属性，即可得到模型的参数a

#查看参数

lrModel.coef_

# 查看截距

lrModel.intercept_

#计算模型的精度

lrModel.score(x,y)

利用回归模型进行预测

#多重线性回归

#数据准备

import matplotlib

import matplotlib.pyplot as plt

import pandas as pd

df=pd.read_csv('e:/python/out/corr.csv',encoding='utf8')

#定义自变量

x=df[['营销费用(万元)','客流量(万人次)']]

#定义因变量

y=df[['销售额(万元)']]

#计算相关系数

df['营销费用(万元)'].corr(df['销售额(万元)'])

df['客流量(万人次)'].corr(df['销售额(万元)'])

#营销费用 作为x轴

#销售额 作为y轴,绘制散点图

df.plot('营销费用(万元)','销售额(万元)',kind='scatter')

#客流量 作为x轴

#销售额 作为y轴,绘制散点图

df.plot('客流量(万人次)','销售额(万元)',kind='scatter')

#导入sklearn.linear_model 模块中的LinearRegression函数

from sklearn.linear_model import LinearRegression

#使用线性回归模型进行建模

lrModel= LinearRegression()

#使用自变量x和因变量y训练模型

lrModel.fit(x,y)

#使用训练得到的模型的coef_属性,即可得到模型的参数b,

#使用训练得到的模型的intercept_属性，即可得到模型的参数a

#查看参数

lrModel.coef_

# 查看截距

lrModel.intercept_

#计算模型的精度

lrModel.score(x,y)

#使用predict函数，把自变量作为参数传入

pX=pd.DataFrame({'营销费用(万元)':[20],'客流量(万元)':[5]})

pX

时间	内容	备注
2020/7/7	python 多重线性回归分析	增加数学公式

这两次开始使用在线Markdown进行内容编辑，效果比过去好多了。

数据分析时，需要输入数学公式，可以使用typora

效果：

今天也用Markdown 作甘特图让工作日井然有序

推荐：typora+Markdown保存.md文件。