Пакеты Python для линейной регрессии Пакет NumPy
Множественная линейная регрессия с помощью scikit-learn
жүктеу/скачать 86,03 Kb.
|
- Бұл бет үшін навигация:
- Шаги 1 и 2: Импорт пакетов и классов и предоставление данных
- Шаг 3: Создайте модель и подгоните ее
- Шаг 4: Получение результатов
| Множественная линейная регрессия с помощью scikit-learn
Вы можете реализовать множественную линейную регрессию, выполнив те же шаги, что и для простой регрессии. Шаги 1 и 2: Импорт пакетов и классов и предоставление данных Сначала вы импортируете numpy и sklearn.linear_model.LinearRegression и предоставляете известные входные и выходные данные: import numpy as np from sklearn.linear_model import LinearRegression x = [ [0, 1], [5, 1], [15, 2], [25, 5], [35, 11], [45, 15], [55, 34], [60, 35] ] y = [4, 5, 20, 14, 32, 22, 38, 43] x, y = np.array(x), np.array(y) Это простой способ определить вход x и выход y. Вы можете распечатать x и y, чтобы увидеть, как они выглядят сейчас: >>> print(x) [ [ 0 1] [ 5 1] [15 2] [25 5] [35 11] [45 15] [55 34] [60 35] ] >>> print(y) [ 4 5 20 14 32 22 38 43] В множественной линейной регрессии x — это двумерный массив, по крайней мере, с двумя столбцами, а y — обычно одномерный массив. Это простой пример множественной линейной регрессии и x имеет ровно два столбца. Шаг 3: Создайте модель и подгоните ее Следующим шагом будет создание модели регрессии как экземпляр LinearRegression и подгонка ее с помощью .fit(): model = LinearRegression().fit(x, y) Результатом этого оператора является переменная модель, ссылающаяся на объект типа LinearRegression. Он представляет собой регрессионную модель, оснащенную существующими данными. Шаг 4: Получение результатов Вы можете получить свойства модели так же, как и в случае простой линейной регрессии: >>> r_sq = model.score(x, y) >>> print('coefficient of determination:', r_sq) coefficient of determination: 0.8615939258756776 >>> print('intercept:', model.intercept_) intercept: 5.52257927519819 >>> print('slope:', model.coef_) slope: [0.44706965 0.25502548] Вы получаете значение R2 с помощью .score() и значения оценщиков коэффициентов регрессии с .intercept_ и .coef_. Опять же, .intercept_ содержит смещение b0, в то время как теперь .coef_ — это массив, содержащий b1 и b2 соответственно. В этом примере перехват составляет приблизительно 5,52, и это значение прогнозируемого отклика, когда x1=x2=0. Увеличение из x1 на 1 дает рост прогнозируемой реакции на 0,45. Точно так же, когда x1 увеличивается на 1, отклик увеличивается на 0,26. жүктеу/скачать 86,03 Kb. Достарыңызбен бөлісу:
|