基于Jupyter笔记本采用sklearn库实现多元回归方程编程的示例分析 - 行业资讯

　　介绍

这篇文章主要介绍基于Jupyter笔记本采用sklearn库实现多元回归方程编程的示例分析,文中介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们一定要看完!

<强>一、导入excel文件和相关库

import 熊猫; 　　import matplotlib; 　　得到pandas.tools.plotting import scatter_matrix; 　　, 　　时间=data pandas.read_csv (“D: \ \面积距离车站.csv",引擎=& # 39;python # 39;,编码=& # 39;utf - 8 # 39;)

显示文件大小

数据。形状

基于Jupyter笔记本采用sklearn库实现多元回归方程编程的示例分析

<强>二。绘制多个变量两两之间的散点图:scatter_matrix()方法

#绘制多个变量两两之间的散点图:scatter_matrix()方法　　font =, { 　　& # 39;才能家庭# 39;,:,& # 39;SimHei& # 39; 　　} 　　　　matplotlib.rc(& # 39;字体# 39;,,* *字体) 　　scatter_matrix ( 　　数据才能[[“area",“distance",,“money"]],, 　　figsize才能=(10,10),对角=& # 39;kde # 39; 　　),,#对角参数表示变量与变量本身之间的绘图方式,kde代表直方图　　#求相关系数矩阵　　数据[[“area",,“distance",,“money"]]载于() 　　　　时间=x 数据[[“area",,“distance"]] 　　y =,数据[[“money"]]

基于Jupyter笔记本采用sklearn库实现多元回归方程编程的示例分析

<强>三、导入sklearn

得到sklearn.linear_model import LinearRegression 　　　　#建模　　时间=lrModel LinearRegression () 　　　　#训练模型　　lrModel.fit (x, y) 　　　　#评分　　R2=lrModel.score (x, y) 　　打印(“R的平方:“,R2) 　　　　#预测　　lrModel.predict ([[10, 110], [20, 110]]) 　　　　#查看参数　　lrModel.coef_ 　　　　#查看截距　　lrModel.intercept_

结果如下:

基于Jupyter笔记本采用sklearn库实现多元回归方程编程的示例分析“> 回归方程为:y=41.51 <代码> x1 - 0.34 - x2 + 65.32 </代码> <强>四,python全部代码</强> <pre类= import 熊猫; 　　import matplotlib; 　　得到pandas.tools.plotting import scatter_matrix; 　　　　data.shape 　　　　#绘制多个变量两两之间的散点图:scatter_matrix()方法　　font =, { 　　& # 39;才能家庭# 39;,:,& # 39;SimHei& # 39; 　　} 　　　　matplotlib.rc(& # 39;字体# 39;,,* *字体) 　　scatter_matrix ( 　　数据才能[[“area",“distance",,“money"]],, 　　figsize才能=(10,10),对角=& # 39;kde # 39; 　　),,#对角参数表示变量与变量本身之间的绘图方式,kde代表直方图　　#求相关系数矩阵　　数据[[“area",,“distance",,“money"]]载于() 　　　　时间=x 数据[[“area",,“distance"]] 　　时间=y 数据[[“money"]] 　　　　得到sklearn.linear_model import LinearRegression 　　　　#建模　　时间=lrModel LinearRegression () 　　　　#训练模型　　lrModel.fit (x, y) 　　　　#评分　　R2=lrModel.score (x, y) 　　打印(“R的平方:“,R2) 　　　　#预测　　lrModel.predict ([[10, 110], [20, 110]]) 　　　　#查看参数　　lrModel.coef_ 　　　　#查看截距　　lrModel.intercept_

以上是“基于Jupyter笔记本采用sklearn库实现多元回归方程编程的示例分析”这篇文章的所有内容,感谢各位的阅读!希望分享的内容对大家有帮助,更多相关知识,欢迎关注行业资讯频道!