回归分析

最新推荐文章于 2024-08-13 15:52:36 发布

清颖91

最新推荐文章于 2024-08-13 15:52:36 发布

阅读量427

点赞数 1

分类专栏：数据分析

本文链接：https://blog.csdn.net/weixin_43630413/article/details/103513603

版权

本文探讨了回归分析的不同类型，包括线性、非线性、逻辑、岭回归和主成分分析。一元线性回归建模通过散点图和最小二乘法进行，关注R-squared和显著性水平。在多元线性回归中，检查异常值、相关性和建模是关键步骤。主成分分析用于降维，保留主要影响因素。

摘要由CSDN通过智能技术生成

1、回归分析分类
包括线性回归、非线性回归、逻辑回归（0和1）、岭回归、主成分分析，最后两个参与建模的自变量之间具有多重共线性，但是岭回归的X非常多

2、一元线性回归建模
比如：淘宝某商品的总销量和收藏数的一元线性回归
第一步：绘制散点图看数据是否有异常数据

Yvar=df[因变量名称]
Xvar=df[自变量名称]
plt.scatter(Xvar,Yvar)

去除异常点后重新做散点图检验
再做散点图时要加上拟合线：
plt.plot(x1,y,“r”)

第二步：一元线性回归建模-OLS最小二乘法

import statmodels.api as sm
Y=Yvar.values
X=Xvar.values
X=sm.add_constant(X) #因为OLS没有常数项，也就没有b,这个操作可加上常数项
lm=sm.OLS(Y,X).fit(）
print("因变量：因变量列名称”）
print(“自变量：自变量列名称”）
print("==========一元线性回归结果=