Python线性回归应用举例

本文主要是介绍Python线性回归应用举例，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

在发电场中电力输出（PE）与温度（AT）、压力（V）、湿度（AP）、压强（RH）有关。
（1）利用线性回归分析命令，求出其之间的线性回归关系数向量（包括常数项）和拟合优度
（2）AT=28.4,V=50.6,AP=1011.9,RH=80.54 预测PE值

1、读取数据，确定自变量x、因变量y

import pandas as pd
data = pd.read_excel('发电场数据.xlsx')
data

9568 rows × 5 columns

#dataframe.values将Dataframe的表格型数据转换成数组
x = data.iloc[:,0:4].values
x

array([[  14.96,   41.76, 1024.07,   73.17],
       [  25.18,   62.96, 1020.04,   59.08],
       [   5.11,   39.4 , 1012.16,   92.14],
       ...,
       [  31.32,   74.33, 1012.92,   36.48],
       [  24.48,   69.45, 1013.86,   62.39],
       [  21.6 ,   62.52, 1017.23,   67.87]])

y = data.iloc[:,4].values
y

array([463.26, 444.37, 488.56, ..., 429.57, 435.74, 453.28])

2、线性回归分析

#导入线性回归模块（LR）
from sklearn.linear_model import  LinearRegression as LR

#利用LR创建线性回归对象lr
lr = LR()

#调用lr对象中的fit()方法，对数据进行拟合训练
lr.fit(x,y)

LinearRegression()

#调用lr对象中的score()方法，返回其拟合优度（判定系数）,观察线性关系是否显著
Slr = lr.score(x,y) #判定系数R²
Slr

0.9286960898122536

#取lr对象中的coef_、intercept_属性,返回x对象的回归系数和回归系数常数项
c_x = lr.coef_
print('回归系数:{}'.format(c_x))
c_b = lr.intercept_
print('回归系数常数项:{}'.format(c_b))

回归系数:[-1.97751311 -0.23391642  0.06208294 -0.1580541 ]
回归系数常数项:454.60927431531076

3、利用线性回归模型进行预测

#可以利用lr对象中的predict()方法进行预测
import numpy as np
x1 = np.array([28.4,50.6,1011.9,80.54])
x1

array([  28.4 ,   50.6 , 1011.9 ,   80.54])

#升维
x1 = x1.reshape(1,4)
x1

array([[  28.4 ,   50.6 , 1011.9 ,   80.54]])

R1 = lr.predict(x1)
R1

array([436.70378447])

#当然，也可以利用线性回归方程进行预测
r1 = x1*c_x
r1

array([[-56.16137223, -11.83617098,  62.82173081, -12.72967745]])

r1.sum()

-17.905489848159824

R2 = r1.sum()+c_b
R2

436.7037844671509

这篇关于Python线性回归应用举例的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！