文章目录 一、线性回归 二、多项式回归 三、多元回归 一、线性回归 简介：线性回归使用数据点之间的关系在所有数据点之间画一条之线，这条直线可以预测未来的值。
可以借助scipy绘制线性回归线。
from scipy import stats
import matplotlib.pyplot as plt
x = [1,2,3,4,5,6,7,8,9,10]
y = [2,4,6,9,10,16,14,18,20,23]
slope,intercept,r,p,std_err = stats.linregress(x,y)
#slope 是线性回归线的 斜率， intercept 是 线性回归线的截距， r 是衡量拟合性能度量
def func(x):
return slope*x+intercept
mymodel = list(map(func,x))
plt.plot(x,mymodel)
plt.scatter(x,y)
plt.show()
其中，x轴和y轴的值关系越好，预测的就越准，该关系用一个称为 R-平方（R-Squared）的值来度量。
也就是 stats.linregress()的第三个返回值。
一般情况下 0
print(r)
0.9873471343672663 #说明拟合的好
二、多项式回归
若数据点显然不符合线性回归，可以考虑多项式回归。 和线性回归一样，多项式回归使用变量x和变量y之间的关系来找到绘制数据点的关系。 常用numpy.poly1d(numpy.polyfit(x,y,number)绘制多项式回归线。
import matplotlib.pyplot as plt
x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]
mymodel = numpy.poly1d(numpy.polyfit(x, y, 3)) # 3是最高项次数
print(numpy.polyfit(x,y,3)) #目的是得到 多项式的系数
myline = numpy.linspace(1, 22, 100)
print(mymodel)
plt.scatter(x, y)
plt.plot(myline, mymodel(myline))
plt.show()
[-3.03208795e-02 1.34333191e+00 -1.55383039e+01 1.13768037e+02]
3 2
-0.03032 x + 1.343 x - 15.54 x + 113.8
同样的，和线性回归相似，有关系 R-Squared 值度量拟合关系如何。 使用skelearn.metrics 中的 r2_score()方法
import matplotlib.pyplot as plt
from sklearn.metrics import r2_score # r2_score
x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]
mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))
print(numpy.polyfit(x,y,3))
myline = numpy.linspace(1, 22, 100)
print(mymodel)
print(r2_score(y,mymodel(x))) # 输出 r2_score
plt.scatter(x, y)
plt.plot(myline, mymodel(myline))
plt.show()
0.9432150416451027 #拟合很不错
三、多元回归
多元回归就像线性回归一样，但需要有多个独立值，即 使用多个变量来预测一个值。 可以使用sklearn.linear_model.LinearRegression()方法
在 sklearn 模块中，使用 LinearRegression() 方法创建一个线性回归对象，该对象有一个 fit() 方法，该方法将独立值和从属值作为参数。
from sklearn import linear_model
import numpy
df = pandas.read_csv("cars.csv")
#print(df)
X = df[["Weight","Volume"]]
y = df["CO2"]
regr = linear_model.LinearRegression()#关键代码
regr.fit(X,y) #进行拟合
print("拟合评价",regr.score(X,y))#相关关系
print("关系系数",regr.coef_) # y = k1*x1+k2*x2系数
predict_co2 = regr.predict([[2300,1300]])
print("预测值",predict_co2)
#out
拟合评价 0.3765564043619988
关系系数 [0.00755095 0.00780526]
预测值 [107.2087328]
slope,intercept,r,p,std_err = stats.linregress(x,y) #slope 是线性回归线的 斜率， intercept 是 线性回归线的截距， r 是衡量拟合性能度量
import numpy
import numpy
import pandas