Python - 线性回归（Linear Regression) 的 Python 实现

背景

学习 Linear Regression in Python – Real Python，前面几篇文章分别讲了“regression怎么理解“，”线性回归怎么理解“，现在该是实现的时候了。

线性回归的 Python 实现：基本思路

• 导入 Python 包: 有哪些包推荐呢？
  • Numpy：数据源
  • scikit-learn：ML
  • statsmodels: 比 scikit-learn 功能更强大
• 准备数据
• 建模拟合
• 验证模型的拟合度
• 预测：用模型来预测新的数据

实现细节

以最简单的线性回归为例，代码参考的是原文。

重点是掌握基本思路，以及关键的几个函数。影响拟合度的因素很多，数据源首当其冲，模型的选择也是关键，这些在实际应用中具体讨论，这里就简单的对应前面的基本思路将 sample 代码及运行结果贴一下，稍加解释。

安装并导入包

根据自己的需要导入

pip install scikit-learn

pip install numpy

pip install statsmodels

from sklearn.preprocessing import PolynomialFeatures

import numpy as np

from sklearn.linear_model import LinearRegression

import statsmodels.api as sm

准备数据

""" prepare data

x: regressor

y: predictor

reshape: make it two dimentional - one column and many rows

y can also be 2 dimensional

"""

x = np.array([5, 15, 25, 35, 45, 55]).reshape((-1, 1))

"""

[[ 5]

 [15]

 [25]

 [35]

 [45]

 [55]]

"""

y = np.array([5, 20, 14, 32, 22, 38])

print(x, y)

# [ 5 20 14 32 22 38]

建模

'''create a model and fit it'''

model = LinearRegression()

model = model.fit(x, y)

print(model)

# LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None, normalize=False)

验证模型的拟合度

'''get result
y = b0 + b1x
'''
r_sq = model.score(x, y)
print('coefficient of determination(