使用Python怎么实现多项式回归

　　介绍

今天就跟大家聊聊有关使用Python怎么实现多项式回归,可能很多人都不太了解,为了让大家更加了解,小编给大家总结了以下内容,希望大家根据这篇文章可以有所收获。

Python可以做什么

Python是一种编程语言,内置了许多有效的工具,Python几乎无所不能,该语言通俗易懂,容易入门,功能强大,在许多领域中都有广泛的应用,例如最热门的大数据分析,人工智能,网页开发等。

<强>为什么多项式回归:

<李>

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。

<李>

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。

<李>

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。

<强>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:

<李>

组织生长速度。

<李>

疾病流行病的进展

<李>

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,一个是Y轴截距,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,一个是Y轴截距,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。

<强> 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。

<强>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 从而libraries  　　import  numpy  as  np  　　import  matplotlib.pyplot  as  plt  　　import  pandas  as  pd  　　 　　#,Importing 从而,dataset  　　时间=datas  pd.read_csv (& # 39; data.csv& # 39;), 　　数据

使用Python怎么实现多项式回归

<强>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y将包含1到2之间的列。y将包含2列。

X =, datas.iloc[1:2]:也.values  　　时间=y  datas.iloc (:,, 2)。值

<强>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 用,dataset  　　得到sklearn.linear_model  import  LinearRegression  　　时间=lin  LinearRegression (), 　　 　　lin.fit (X, y)

<强>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 用,dataset  　　得到sklearn.preprocessing  import  PolynomialFeatures  　　 　　时间=poly  PolynomialFeatures (=degree  4), 　　时间=X_poly  poly.fit_transform (X), 　　 　　poly.fit (X_poly, y), 　　时间=lin2  LinearRegression (), 　　lin2.fit (X_poly, y)

<强>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 从而Linear  Regression  results  　　plt.scatter (X, y,, color =, & # 39;蓝# 39;), 　　 　　plt.plot (X,, lin.predict (X), color =, & # 39;红色# 39;), 　　plt.title (& # 39; Linear 回归# 39;), 　　plt.xlabel(& # 39;温度# 39;), 　　plt.ylabel(& # 39;压力# 39;), 　　 　　plt.show ()

使用Python怎么实现多项式回归

<强>步骤6:使用散点图可视化多项式回归结果。

#, Visualising 从而Polynomial  Regression  results  　　plt.scatter (X, y,, color =, & # 39;蓝# 39;), 　　 　　plt.plot (X,, lin2.predict (poly.fit_transform (X)),, color =, & # 39;红色# 39;), 　　plt.title (& # 39; Polynomial 回归# 39;), 　　plt.xlabel(& # 39;温度# 39;), 　　plt.ylabel(& # 39;压力# 39;), 　　 　　plt.show ()

使用Python怎么实现多项式回归