@Author：潤森，Runsen，公眾號：潤森筆記

什么是多元線性回歸

在回歸分析中，如果有兩個或兩個以上的自變量，就稱為多元回歸。**事實(shí)上，一種現(xiàn)象常常是與多個因素相聯(lián)系的，由多個自變量的最優(yōu)組合共同來預(yù)測或估計(jì)因變量，比只用一個自變量進(jìn)行預(yù)測或估計(jì)更有效，更符合實(shí)際。**因此多元線性回歸比一元線性回歸的實(shí)用意義更大。y=β0＋β１x1+β2x2+ … +βpxp+ε # 公式

今天講一個例子

這里有個excel 文件數(shù)據(jù)，我們來研究到底是哪個因素影響sales最明顯，是TV，還是radio，還是newspaper，也就是找的銷售額到底是那家個元素引起的，怎么才能提高銷售額？

導(dǎo)入相對的庫

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

%matplotlib inline

plt.style.use('ggplot') #使用ggplot樣式

from sklearn.linear_model import LinearRegression # 導(dǎo)入線性回歸

from sklearn.model_selection import train_test_split # 訓(xùn)練數(shù)據(jù)

from sklearn.metrics import mean_squared_error #用來計(jì)算距離平方誤差，評價模型

打開文件

data = pd.read_csv('Advertising.csv')

data.head() #看下data

先畫圖分析一下

plt.scatter(data.TV, data.sales)

plt.scatter(data.radio, data.sales)

plt.scatter(data.newspaper, data.sales)

從圖中分析看出newspaper的點(diǎn)分散太廣，預(yù)測毫無關(guān)系，應(yīng)該要去除

進(jìn)入代碼環(huán)節(jié)

x = data[['TV','radio','newspaper']]

y = data.sales

x_train,x_test,y_train,y_test = train_test_split(x, y) #得到訓(xùn)練和測試訓(xùn)練集

model = LinearRegression() #導(dǎo)入線性回歸

model.fit(x_train, y_train) #

model.coef_ # 斜率 有三個

model.intercept_ # 截距

得到

array([ 0.04480311, 0.19277245, -0.00301245])

3.0258997429585506

for i in zip(x_train.columns, model.coef_):

print(i) #打印對應(yīng)的參數(shù)

('TV', 0.04480311217789182)

('radio', 0.19277245418149513)

('newspaper', -0.003012450368706149)

mean_squared_error(model.predict(x_test), y_test) # 模型的好壞用距離的平方和計(jì)算

4.330748450267551y =0.04480311217789182 * x1 + 0.19277245418149513 *x2 -0.003012450368706149 * x3 + 3.0258997429585506

我們可以看到newspaper的的系數(shù)小于0，說明了投入了，反而影響銷售額 那么如何改進(jìn)模型，就是去掉newspaper的數(shù)值

x = data[['TV','radio']]

y = data.sales

x_train,x_test,y_train,y_test = train_test_split(x, y)

model2 = LinearRegression()

model2.fit(x_train,y_train)

model2.coef_

model2.intercept_

mean_squared_error(model2.predict(x_test),y_test)

array([0.04666856, 0.17769367])

3.1183329992288478

2.984535789030915 # 比第一個model的小，說明更好y =0.04666856 * x1 +0.17769367 *x2 + 3.1183329992288478

總結(jié)

以上是生活随笔為你收集整理的python多元回归预测例子_Python机器学习，多元线性回归分析问题的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。