python进行回归分析(Python多项式回归的实现方法)
python进行回归分析
Python多项式回归的实现方法多项式回归是一种线性回归形式,其中自变量x和因变量y之间的关系被建模为n次多项式。多项式回归拟合x的值与y的相应条件均值之间的非线性关系,表示为e(y | x)
为什么多项式回归:
- 研究人员假设的某些关系是曲线的。显然,这种类型的案例将包括多项式项。
- 检查残差。如果我们尝试将线性模型拟合到曲线数据,则预测变量(x轴)上的残差(y轴)的散点图将在中间具有许多正残差的斑块。因此,在这种情况下,这是不合适的。
- 通常的多元线性回归分析的假设是所有自变量都是独立的。在多项式回归模型中,不满足该假设。
多项式回归的使用:
这些基本上用于定义或描述非线性现象,例如:
- 组织生长速度。
- 疾病流行病的进展
- 湖泊沉积物中碳同位素的分布
回归分析的基本目标是根据自变量x的值来模拟因变量y的期望值。在简单回归中,我们使用以下等式 y = a + bx + e
这里y是因变量,a是y截距,b是斜率,e是误差率。
在许多情况下,这种线性模型将无法解决。例如,如果我们在这种情况下根据合成温度分析化学合成的产生,我们使用二次模型y = a + b1x + b2 ^ 2 + e
这里y是x的因变量,a是y截距,e是误差率。
通常,我们可以将其建模为第n个值。y = a + b1x + b2x ^ 2 + .... + bnx ^ n
由于回归函数在未知变量方面是线性的,因此这些模型从估计的角度来看是线性的。
因此,通过最小二乘技术,让我们计算y的响应值。
python中的多项式回归:
要获得用于分析多项式回归的数据集,请单击此处。
步骤1:导入库和数据集
导入重要的库和我们用于执行多项式回归的数据集。
|
# importing the libraries import numpy as np import matplotlib.pyplot as plt import pandas as pd # importing the dataset datas = pd.read_csv( 'data.csv' ) datas |
第2步:将数据集分为2个组件
将数据集划分为两个组件,即x和yx将包含1到2之间的列.y将包含2列。
|
x = datas.iloc[:, 1 : 2 ].values y = datas.iloc[:, 2 ].values |
第3步:将线性回归拟合到数据集
拟合线性回归模型在两个组件上。
|
# fitting linear regression to the dataset from sklearn.linear_model import linearregression lin = linearregression() lin.fit(x, y) |
第4步:将多项式回归拟合到数据集
将多项式回归模型拟合到两个分量x和y上。
|
# fitting polynomial regression to the dataset from sklearn.preprocessing import polynomialfeatures poly = polynomialfeatures(degree = 4 ) x_poly = poly.fit_transform(x) poly.fit(x_poly, y) lin2 = linearregression() lin2.fit(x_poly, y) |
步骤5:在此步骤中,我们使用散点图可视化线性回归结果。
|
# visualising the linear regression results plt.scatter(x, y, color = 'blue' ) plt.plot(x, lin.predict(x), color = 'red' ) plt.title( 'linear regression' ) plt.xlabel( 'temperature' ) plt.ylabel( 'pressure' ) plt.show() |
步骤6:使用散点图可视化多项式回归结果。
|
# visualising the polynomial regression results plt.scatter(x, y, color = 'blue' ) plt.plot(x, lin2.predict(poly.fit_transform(x)), color = 'red' ) plt.title( 'polynomial regression' ) plt.xlabel( 'temperature' ) plt.ylabel( 'pressure' ) plt.show() |
步骤7:使用线性和多项式回归预测新结果。
|
# predicting a new result with linear regression lin.predict( 110.0 ) |
|
# predicting a new result with polynomial regression lin2.predict(poly.fit_transform( 110.0 )) |
使用多项式回归的优点:
- 广泛的功能可以适应它。
- 多项式基本上适合宽范围的曲率。
- 多项式提供了依赖变量和自变量之间关系的最佳近似。
使用多项式回归的缺点
- 这些对异常值过于敏感。
- 数据中存在一个或两个异常值会严重影响非线性分析的结果。
- 此外,遗憾的是,用于检测非线性回归中的异常值的模型验证工具少于线性回归。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持开心学习网。
原文链接:https://www.cnblogs.com/python01/p/10329383.html
- python符串操作教程(Python3.5运算符操作实例详解)
- python实现两个变量的交换(在Python 中同一个类两个函数间变量的调用方法)
- python的mqtt循环发布(python 发送和接收ActiveMQ消息的实例)
- python2.7中logging的使用方式(Python中使用logging和traceback模块记录日志和跟踪异常)
- python3.7标准库官方手册(Python3.7 dataclass使用指南小结)
- pythonshell入门教程(python获取交互式ssh shell的方法)
- java集成钉钉发送消息(Python实现钉钉发送报警消息的方法)
- python字典的key(Python使用dict.fromkeys快速生成一个字典示例)
- pythontkinter项目界面(python Tkinter版学生管理系统)
- pythondatetime库详解(python使用time、datetime返回工作日列表实例代码)
- 如何学会python多线程(Python3多线程基础知识点)
- python带权限复制文件夹(python定时复制远程文件夹中所有文件)
- 微信小程序企业微信打卡(使用Python实现企业微信的自动打卡功能)
- python弹跳小球(python GUI实现小球满屏乱跑效果)
- 怎样在python中散点图(python使用Plotly绘图工具绘制散点图、线形图)
- python socket 设置通信协议(详解python中TCP协议中的粘包问题)
- 二胎家庭老大爱闹情绪,用这招很有效(二胎家庭老大爱闹情绪)
- 一个30岁男人外遇失败的全过程(一个30岁男人外遇失败的全过程)
- 《无敌破坏王2》 不聊彩蛋,聊聊我从动画里看到的现实那些事儿(无敌破坏王2不聊彩蛋)
- 《寄生虫》 三观不正 人类悲欢从来不相通,感同身受也并非本能(寄生虫三观不正)
- 这部动漫中的女孩子,可比101女孩更加励志(这部动漫中的女孩子)
- 《白狐的人生》热拍 贾征宇偶像包袱难自弃 图(白狐的人生热拍)
热门推荐
- mysql查看数据库cpu使用率(CPU 以及内存从哪些方面影响 MySQL 性能?)
- docker镜像简介(详解使用阿里云镜像仓库构建国外Docker镜像)
- 阿里云mysql如何接入(阿里云服务器安装Mysql数据库的详细教程)
- 如何看懂云服务器(专业云服务器主机挑选从几个方面衡量?)
- canvas怎么画特效(canvas中普通动效与粒子动效的实现代码示例)
- python socket 设置通信协议(详解python中TCP协议中的粘包问题)
- sql优化100个技巧(52条SQL语句教你性能优化)
- 织梦系统的seo教程(织梦后台SEO优化和修改关键字的方法)
- 云服务器是什么到底有什么用(云服务器有什么用)
- jQuery邮箱自动补全
排行榜
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9