sklearn实现多元线性回归 【Python机器学习系列（七）】

---

      ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞ
                 
    ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞ

---

大家好，我是侯小啾！

 今天分享的内容是，通过python的sklearn库实现多元线性回归。
 
自行准备一组可以做多元回归的数据，以数据文件data.csv为例，做二元回归。

1.读取数据

首先导入相关库，并获取数据的代码如下：

import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D


data = np.loadtxt("data.csv",delimiter=",")

# 特征：前两列
x_data = data[:, 0:-1]
# 标签：最后一列
y_data = data[:, -1]
1
2
3
4
5
6
7
8
9
10
11
12

---

2.训练模型

然后开始训练模型，并输出求得的相关参数。并做预测进行测试。

# 训练模型
# 创建线性回归模型对象
model = LinearRegression()
# 训练模型
model.fit(x_data, y_data)

print(f"theta1,theta2:{model.coef_}")
print(f"theta0:{model.intercept_}")

# 构建测试样本
x_test = [[102, 4]]
预测
predict = model.predict(x_test)
print(f"当前 里程为 102 运输次数为 4 预测时长为：{predict}")

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

输出结果如下图所示：
         

---

3.可视化

将回归结果以图像的形式展示出来。

# 可视化散点分布
x_0 = x_data[:, 0]
x_1 = x_data[:, 1]
x_0,  x_1 = np.meshgrid(x_0, x_1)
y_hat = model.intercept_ + model.coef_[0]*x_0 + model.coef_[1]*x_1

fig = plt.figure()
ax = Axes3D(fig)
ax.scatter(x_data[:, 0], x_data[:, 1], y_data)
ax.plot_surface(x_0, x_1, y_hat)
ax.set_xlabel("x1")
ax.set_ylabel("x2")
ax.set_zlabel("y")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

拟合结果下图所示：
        

---

本次分享就到这里，小啾感谢您的关注与支持！
🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ