在这需要用到python的三个库:sklearn (全称 Scikit-Learn) 是基于 Python 语言的机器学习工具、pandas(进行数据采集)、statsmodels(统计模型)
from sklearn.linear_model import LinearRegression
import pandas as pd
import statsmodels.api as sm
导入sklearn.linear_model(线性模型)中LinearRegression
导入pandas
导入statsmodels.api(统计模型,其中包括各种方法,例如:OLS(最小二乘法))
# 创建数据
df = pd.read_excel(r'E:\\应用回归分析数据.xlsx')
x = df['距离'].values.reshape(-1, 1)
y = df['火灾损失'].values.reshape(-1, 1)
将导入的数据都转为列向量,使用reshape()方法
# 创建线性回归模型实例
model = LinearRegression()
# 训练模型
model.fit(x, y)
a = model.coef_[0]
b = model.intercept_
print(a,b)
运行结果coef为系数,intercept为截距
r_squared = model.score(x, y)
#返回决定系数
print(f"R²: {r_squared}")
score()方法获取模型的决定系数,随后直接输出即可
运行结果为:
# 添加常数项以拟合截距
x = sm.add_constant(x)
# 创建模型并拟合数据
model = sm.OLS(y, x).fit()
# 查看回归结果摘要
print(model.summary())
先通过 sm.add_constant() 向矩阵 X 添加截距列后,再用 sm.OLS() 建立普通最小二乘模型,最后用 model.fit() 就能实现线性回归模型的拟合,并返回拟合与统计分析的结果摘要。
运行结果如下: