初识线性回归

最新推荐文章于 2022-01-01 20:56:14 发布

cc巴巴布莱特

最新推荐文章于 2022-01-01 20:56:14 发布

阅读量275

点赞数 1

文章标签： python 人工智能

本文链接：https://blog.csdn.net/weixin_44314290/article/details/120828269

版权

一、用excel中数据分析功能做线性回归练习

二、用jupyter编程（不借助第三方库），用最小二乘法，重做第1题

1.打开jupyter Notebook

2.新建文件，重命名文件

3.编写程序

三、用jupyter编程，借助skleran，重做第1题

一、用excel中数据分析功能做线性回归练习

第一步，打开下载的身高体重数据集，录入数据（以20组数据为例）。

第二步、作散点图

选中数据（包括自变量和因变量），在“插入”菜单栏中选择“插入散点图”。

第三步、回归

观察散点图，判断点列分布是否具有线性趋势。只有当数据具有线性分布特征时，才能采用线性回归分析方法。从图中可以看出，本例数据具有线性分布趋势，可以进行线性回归。打开“工具”下拉菜单，双击“数据分析”选项，选择“回归”选项。点击生成的散点图中的数据点，点击“添加趋势线”，选择“线性”，并在选择框中选中“显示公式(E)”和“显示R平方值(R)”。

200组和2000组数据操作同上

二、用jupyter编程（不借助第三方库），用最小二乘法，重做第1题

1.打开jupyter Notebook

2.新建文件，重命名文件

3.编写程序

（1）20组数据，代码如下：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import math
df = pd.read_excel('D:\weights_heights.xlsx')
#20组数据
d=df.head(20)
d
x=d["Height"]
y=d["Weight"]
plt.scatter(x,y)
plt.axis([65,72,0,180])
plt.show()
x_mean=np.mean(x)
y_mean=np.mean(y)
num=0.0#分子
d = 0.0#分母
m=0.0#
for x_i, y_i in zip(x,y):
    num += (x_i - x_mean) * (y_i - y_mean)
    d  +=(x_i - x_mean) ** 2
    m +=(y_i - y_mean) ** 2
a = num/d
b = y_mean - a * x_mean
y_hat=a * x +b
plt.scatter(x,y)
plt.plot(x,y_hat,color='r')
plt.axis([65,72,0,180])
plt.show()

结果显示如下：

（2）200组数据，代码如下：

d1=df.head(200)
x=d1["Height"]
y=d1["Weight"]
plt.scatter(x,y)
plt.axis([62,76,0,180])
#计算平均值
x_mean=np.mean(x)
y_mean=np.mean(y)
num=0.0
d = 0.0
m=0.0
for x_i, y_i in zip(x,y):
    num += (x_i - x_mean) * (y_i - y_mean)
    d  +=(x_i - x_mean) ** 2
    m +=(y_i - y_mean) ** 2
a1 = num/d
b1 = y_mean - a1 * x_mean
y_hat = a1 * x + b1
plt.scatter(x,y)
plt.plot(x,y_hat,color='g')
plt.axis([62,75,0,180])
plt.show()

结果显示如下图：

（3）2000组数据，代码如下：

d2=df.head(2000)
x=d2["Height"]
y=d2["Weight"]
plt.scatter(x,y)
plt.axis([0,80,0,180])
x_mean=np.mean(x)
y_mean=np.mean(y)
num=0.0
d = 0.0
m=0.0
for x_i, y_i in zip(x,y):
    num += (x_i - x_mean) * (y_i - y_mean)
    d  +=(x_i - x_mean) ** 2
    m +=(y_i - y_mean) ** 2
a2 = num/d
b2 = y_mean - a2 * x_mean
y_hat = a2 * x + b2
plt.scatter(x,y)
plt.plot(x,y_hat,color='g')
plt.axis([0,80,0,180])
plt.show()

结果显示如下图：

三、用jupyter编程，借助skleran，重做第1题

1、20组数据

代码如下：

（1）需要用到的包导入准备好，读取数据

import numpy as np
import pandas as pd
from contextlib import contextmanager as _contextmanager
import logging
from numpy import array
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
import math
df=pd.read_excel('D:\weights_heights1.xlsx')
df.shape#读取数据

（2）赋值变量取20组数据

x=array(df[['Weight']].values[:20,:])
y=array(df[['Height']].values[:20,:])

（3）调用线性回归函数

model=LinearRegression(fit_intercept=True,normalize=True)
model.fit(x,y)

（4）输出斜率和截距

print(model.coef_)
print(model.intercept_)

（5）输出线性回归表达式

a=model.intercept_
b=model.coef_
y_hat=b*x+a
print("线性回归方程为：y=",b,"x",a)

（6）计算输出R^2

model.score(x,y)

（7）绘图输出

plt.figure()
plt.scatter(x,y)#散点图绘制原始数据
plt.plot(x,y_hat,color='coral')
plt.show()

2、200组数据

代码与20组类似，只需要把赋值变量取为200组数据，即将values中的20改成200即可

计算结果输出显示：

绘图显示：

3、2000组数据

代码与20组类似，只需要把赋值变量取为2000组数据，即将values中的20改为2000即可。

输出结果显示：

绘图显示：

总结

以上是线性回归的简单练习。Excel和jupyter解决线性回归问题得出的结果大致相同。Excel只需选中数据，它的数据分析功能可以自动计算出相关数据，绘出图像。不借助第三方库，使用最小二乘法来编程，要自己计算得到相关系数，斜率和截距，并以此数据来绘图。借助sklearn库编程，sklearn有提供相关的函数，只需要调用函数即能得到输出值。