python 偏最小二乘回归

本文使用sklearn库中的Linnerud数据集演示了如何通过PLS回归进行数据分析及模型训练的过程。其中包括数据导入、预处理、模型训练、参数调整、预测及系数输出等步骤。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

用sklearn库带的Linnerud数据集做示例
Linnerud数据集包含三个因变量和三个自变量

import pandas as pd
from sklearn.cross_decomposition import PLSRegression
from sklearn import datasets 
from sklearn.model_selection import GridSearchCV
import numpy as np

#导入数据集
dataset = datasets.load_linnerud() 

#数据集读取为dataframe
col_names = dataset['feature_names'] + dataset['target_names']
data = pd.DataFrame(data= np.c_[dataset['data'], dataset['target']], columns=col_names)

#训练集
x_train=np.array(data.loc[:,dataset['feature_names']])
y_train=np.array(data.loc[:,dataset['target_names']])

#回归模型,参数
pls_model_setup = PLSRegression(scale=True)
param_grid = {'n_components': range(1, 4)}

#GridSearchCV 自动调参
gsearch = GridSearchCV(pls_model_setup, param_grid)

#在训练集上训练模型
pls_model = gsearch.fit(x_train, y_train)

#预测
pred = pls_model.predict(x_train)

#打印 coef
print('Partial Least Squares Regression coefficients:',pls_model.best_estimator_.coef_)
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值