python一元回归分析(一元回归分析的步骤)

大家好，今日小天来为大家解答以上的问题。python一元回归分析，一元回归分析的步骤很多人还不知道，现在让我们一起来看看吧！

python一元回归分析(一元回归分析的步骤)

python一元回归分析(一元回归分析的步骤)

1、数据挖掘中的预测问题通常分为2类：回归与分类。

2、简单的说回归就是预测数值，而分类是给数据打上标签归类。

3、本文讲述如何用Python进行基本的数据拟合，以及如何对拟合结果的误进行分析。

4、本例中使用一个2次函数加上随机的扰动来生成500个点，然后尝试用1、2、100次方的多项式对该数据进行拟合。

5、拟合的目的是使得根据训练数据能够拟合出一个多项式函数，这个函数能够很好的拟合现有数据，并且能对未知的数据进行预测。

6、代码如下：importmatplotlib.pyplot as pltimportnumpy as npimportscipy as spfromscipy.stats importnormfromsklearn.pipeline importPipelinefromsklearn.linear_model importLinearRegressionfromsklearn.preprocessing importPolynomialFeaturesfromsklearn importlinear_model''''' 数据生成 '''x = np.arange(0, 1, 0.002)y = norm.rvs(0, size=500, scale=0.1)y = y + x2''''' 均方误根 '''defrmse(y_test, y):returnsp.sqrt(sp.mean((y_test - y) 2))''''' 与均值相比的程度，介于[0~1]。

7、0表示不如均值。

8、1表示完美预测.这个版本的实现是参考scikit-learn文档 '''defR2(y_test, y_true):return1- ((y_test - y_true)2).sum() / ((y_true - y_true.mean())2).sum()''''' 这是Conway&White《机器学习使用案例解析》里的版本 '''defR22(y_test, y_true):y_mean = np.array(y_true)y_mean[:] = y_mean.mean()return1- rmse(y_test, y_true) / rmse(y_mean, y_true)plt.scatter(x, y, s=5)degree = [1,2,100]y_test = []y_test = np.array(y_test)ford indegree:clf = Pipeline([('poly', PolynomialFeatures(degree=d)),('linear', LinearRegression(fit_intercept=False))])clf.fit(x[:, np.newaxis], y)y_test = clf.predict(x[:, np.newaxis])print(clf.named_steps['linear'].coef_)print('rmse=%.2f, R2=%.2f, R22=%.2f, clf.score=%.2f'%(rmse(y_test, y),R2(y_test, y),R22(y_test, y),clf.score(x[:, np.newaxis], y)))plt.plot(x, y_test, linewidth=2)plt.grid()plt.legend(['1','2','100'], loc='upper left')plt.show()该程序运行的显示结果如下：[-0.16140183 0.99268453]rmse=0.13, R2=0.82, R22=0.58, clf.score=0.82[ 0.00934527 -0.035245 1.03065829]rmse=0.11, R2=0.88, R22=0.66, clf.score=0.88[ 6.07130354e-02 -1.02247150e+00 6.66972089e+01 -1.85696012e+04......-9.43408707e+12 -9.78954604e+12 -9.99872105e+12 -1.00742526e+13-1.00303296e+13 -9.88198843e+12 -9.64452002e+12 -9.33298267e+12-1.00580760e+12]rmse=0.10, R2=0.89, R22=0.67, clf.score=0.89显示出的coef_就是多项式参数。

9、如1次拟合的结果为y = 0.99268453x -0.16140183这里我们要注意这几点：1、误分析。

10、做回归分析，常用的误主要有均方误根（RMSE）和R-平方（R2）。

11、RMSE是预测值与真实值的误平方根的均值。

12、这种度量方法很流行（Netflix机器学习比赛的评价方法），是一种定量的权衡方法。

13、R2方法是将预测值跟只使用均值的情况下相比，看能好多少。

14、其区间通常在（0,1）之间。

15、0表示还不如什么都不预测，直接取均值的情况，而1表示所有预测跟真实结果完美匹配的情况。

16、R2的计算方法，不同的文献稍微有不同。

17、如本文中函数R2是依据scikit-learn文档实现的，跟clf.score函数结果一致。

本文到这结束，希望上面文章对大家有所帮助。