Пакеты Python для линейной регрессии Пакет NumPy
Расширенная линейная регрессия с моделями статистики
жүктеу/скачать 86,03 Kb.
|
- Бұл бет үшін навигация:
- Шаг 3. Создайте модель и подгоните ее
| Расширенная линейная регрессия с моделями статистики
Вы можете относительно легко реализовать линейную регрессию в Python, используя также пакет statsmodels. Обычно это желательно, когда есть потребность в более подробных результатах. Процедура аналогична scikit-learn. Шаг 1. Импортируйте пакеты Сначала вам нужно сделать импорт. В дополнение к numpy вам необходимо импортировать statsmodels.api: import numpy as np import statsmodels.api as sm Теперь у вас есть нужные пакеты. Шаг 2. Предоставьте данные и преобразуйте входные данные Вы можете предоставить входные и выходные данные так же, как и при использовании scikit-learn: 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) Массивы ввода и вывода созданы, но работа еще не сделана. Вам нужно добавить столбец единиц к входным данным, если вы хотите, чтобы statsmodels вычисляла точку пересечения b0. По умолчанию b_0b0 не учитывается. Это всего лишь вызов одной функции: x = sm.add_constant(x) Вот как вы добавляете столбец единиц к x с помощью add_constant(). Он принимает входной массив x в качестве аргумента и возвращает новый массив со столбцом единиц, вставленных в начало. Вот как теперь выглядят x и y: >>> print(x) [ [ 1. 0. 1.] [ 1. 5. 1.] [ 1. 15. 2.] [ 1. 25. 5.] [ 1. 35. 11.] [ 1. 45. 15.] [ 1. 55. 34.] [ 1. 60. 35.] ] >>> print(y) [ 4 5 20 14 32 22 38 43] Вы можете видеть, что измененный x имеет три столбца: первый столбец из единиц (соответствующий b_0b0 и заменяющий точку пересечения), а также два столбца исходных объектов. Шаг 3. Создайте модель и подгоните ее Модель регрессии, основанная на обычных методах наименьших квадратов, является экземпляром класса statsmodels.regression.linear_model.OLS. Вот как вы можете её получить: model = sm.OLS(y, x) Здесь нужно быть осторожным! Обратите внимание, что первый аргумент — это вывод, за которым следует ввод. Есть еще несколько необязательных параметров. Чтобы найти дополнительную информацию об этом классе, посетите официальную страницу документации. Как только ваша модель создана, вы можете применить к ней .fit(): results = model.fit() Вызывая .fit(), вы получаете переменную results, которая является экземпляром класса statsmodels.regression.linear_model.RegressionResultsWrapper. Этот объект содержит много информации о регрессионной модели. жүктеу/скачать 86,03 Kb. Достарыңызбен бөлісу:
|