python編程線性回歸代碼示例

更新時(shí)間：2017年12月07日 09:35:47 作者：風(fēng)景不在對(duì)岸wj

這篇文章主要介紹了python編程線性回歸代碼示例，具有一定借鑒價(jià)值，需要的朋友可以了解下。

用python進(jìn)行線性回歸分析非常方便，有現(xiàn)成的庫可以使用比如：numpy.linalog.lstsq例子、scipy.stats.linregress例子、pandas.ols例子等。

不過本文使用sklearn庫的linear_model.LinearRegression，支持任意維度，非常好用。

一、二維直線的例子

預(yù)備知識(shí)：線性方程y=a∗x+b。y=a∗x+b表示平面一直線

下面的例子中，我們根據(jù)房屋面積、房屋價(jià)格的歷史數(shù)據(jù)，建立線性回歸模型。

然后，根據(jù)給出的房屋面積，來預(yù)測(cè)房屋價(jià)格。這里是數(shù)據(jù)來源

import pandas as pd 
from io import StringIO  
from sklearn import linear_model  
import matplotlib.pyplot as plt 
# 房屋面積與價(jià)格歷史數(shù)據(jù)(csv文件) 
csv_data = 'square_feet,price\n150,6450\n200,7450\n250,8450\n300,9450\n350,11450\n400,15450\n600,18450\n' 
 
# 讀入dataframe 
df = pd.read_csv(StringIO(csv_data)) 
print(df)  
# 建立線性回歸模型 
regr = linear_model.LinearRegression()  
# 擬合 
regr.fit(df['square_feet'].reshape(-1, 1), df['price']) # 注意此處.reshape(-1, 1)，因?yàn)閄是一維的！ 
# 不難得到直線的斜率、截距 
a, b = regr.coef_, regr.intercept_ 
 
# 給出待預(yù)測(cè)面積 
area = 238.5 
 
# 方式1：根據(jù)直線方程計(jì)算的價(jià)格 
print(a * area + b) 
# 方式2：根據(jù)predict方法預(yù)測(cè)的價(jià)格 
print(regr.predict(area))  
# 畫圖 
# 1.真實(shí)的點(diǎn) 
plt.scatter(df['square_feet'], df['price'], color='blue')  
# 2.擬合的直線 
plt.plot(df['square_feet'], regr.predict(df['square_feet'].reshape(-1,1)), color='red', linewidth=4) 
 
plt.show()

二、三維平面的例子

預(yù)備知識(shí)：線性方程z=a∗x+b∗y+c。z=a∗x+b∗y+c 表示空間一平面

由于找不到真實(shí)數(shù)據(jù)，只好自己虛擬一組數(shù)據(jù)。

import numpy as np  
from sklearn import linear_model  
from mpl_toolkits.mplot3d import Axes3D 
import matplotlib.pyplot as plt  
xx, yy = np.meshgrid(np.linspace(0,10,10), np.linspace(0,100,10)) 
zz = 1.0 * xx + 3.5 * yy + np.random.randint(0,100,(10,10))  
# 構(gòu)建成特征、值的形式 
X, Z = np.column_stack((xx.flatten(),yy.flatten())), zz.flatten() 
 
# 建立線性回歸模型 
regr = linear_model.LinearRegression() 
 
# 擬合 
regr.fit(X, Z) 
# 不難得到平面的系數(shù)、截距 
a, b = regr.coef_, regr.intercept_  
# 給出待預(yù)測(cè)的一個(gè)特征 
x = np.array([[5.8, 78.3]])  
# 方式1：根據(jù)線性方程計(jì)算待預(yù)測(cè)的特征x對(duì)應(yīng)的值z(mì)（注意：np.sum） 
print(np.sum(a * x) + b)  
# 方式2：根據(jù)predict方法預(yù)測(cè)的值z(mì) 
print(regr.predict(x))  
# 畫圖 
fig = plt.figure() 
ax = fig.gca(projection='3d')  
# 1.畫出真實(shí)的點(diǎn) 
ax.scatter(xx, yy, zz) 
# 2.畫出擬合的平面 
ax.plot_wireframe(xx, yy, regr.predict(X).reshape(10,10)) 
ax.plot_surface(xx, yy, regr.predict(X).reshape(10,10), alpha=0.3) 

plt.show()

效果圖