Python/python ml linear regression

来自菜鸟教程
跳转至:导航、​搜索

<languages />

机器学习-线性回归

回归

当您尝试查找变量之间的关系时,将使用术语回归。

在机器学习和统计建模中,该关系用于预测未来事件的结果。

线性回归

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直线。

这条线可以用来预测未来价值。

文件:Img linear regression.png

在机器学习中,预测未来非常重要。

它是如何工作的?

Python提供了一些方法来查找数据点之间的关系并绘制线性回归线。我们将向您展示如何使用这些方法而不是通过数学公式。

在下面的示例中,x轴表示年龄,y轴表示速度。我们已经记录了13辆汽车通过收费站时的年龄和速度。让我们看看我们收集的数据是否可以用于线性回归:

首先绘制散点图:

  import matplotlib.pyplot as plt

x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = 
  [99,86,87,88,111,86,103,87,94,78,77,85,86]

plt.scatter(x, y)
plt.show()

结果:

文件:Img matplotlib scatter.png


进口 scipy 并画出线性回归线:

  import matplotlib.pyplot as plt
from scipy import stats


x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = 
  [99,86,87,88,111,86,103,87,94,78,77,85,86]

slope, intercept, r, 
  p, std_err = stats.linregress(x, y)

def myfunc(x):
  
  return slope * x + intercept

mymodel = list(map(myfunc, x))


  plt.scatter(x, y)
plt.plot(x, mymodel)
plt.show()

结果:

文件:Img linear regression.png


示例说明

导入所需的模块。

您可以在我们的网站上了解SciPy模块 科学教程

.

import matplotlib.pyplot as plt from scipy import stats


创建表示x和y轴值的数组:

x = [5,7,8,7,2,17,2,9,4,11,12,9,6] y = [99,86,87,88,111,86,103,87,94,78,77,85,86]


执行一个返回线性回归的重要键值的方法:

slope, intercept, r, p, std_err = stats.linregress(x, y)


创建一个使用 slope and intercept 值以返回新值。这个新值表示相应的x值将在y轴上放置的位置:

def myfunc(x): return slope * x + intercept


通过函数运行x数组的每个值。这将产生一个新的数组,其中的y轴具有新的值:

mymodel = list(map(myfunc, x))


绘制原始散点图:

plt.scatter(x, y)


画出线性回归线:

plt.plot(x, mymodel)


显示图:

plt.show()


关系的R

重要的是要知道x轴的值和y轴的值之间的关系如何,如果没有关系,则线性回归不能用于预测任何东西。

这种关系-相关系数-称为 r .

The r 值的范围是0到1,其中0表示不相关,而1表示100%相关。

Python和Scipy模块将为您计算该值,您要做的就是将x和y值提供给它。

我的数据在线性回归中的拟合度如何?

  from scipy import stats

x = 
  [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = 
  [99,86,87,88,111,86,103,87,94,78,77,85,86]

slope, intercept, r, 
  p, std_err = stats.linregress(x, y)

print(r)

注意: 结果-0.76表明存在一个关系,不是完美的关系,但是它表明我们可以在将来的预测中使用线性回归。


预测未来价值

现在我们可以使用收集到的信息来预测未来价值。

示例:让我们尝试预测一辆拥有10年历史的汽车的速度。

为此,我们需要相同的 myfunc() 上例中的功能:

def myfunc(x): return slope * x + intercept


预测一辆有10年历史的汽车的速度:

  from scipy import stats


x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = 
  [99,86,87,88,111,86,103,87,94,78,77,85,86]

slope, intercept, r, 
  p, std_err = stats.linregress(x, y)

def myfunc(x):
  
  return slope * x + intercept

speed = myfunc(10)


  print(speed)

该示例预测速度为85.6,我们也可以从图中读取:

文件:Img linear regression2.png

不合适?

让我们创建一个示例,其中线性回归并不是预测未来价值的最佳方法。

x和y轴的这些值将导致线性回归的拟合度非常差:

  import matplotlib.pyplot as plt
from scipy import stats


x = [89,43,36,36,95,10,66,34,38,20,26,29,48,64,6,5,36,66,72,40]
y = 
  [21,46,3,35,67,95,53,72,58,10,26,34,90,33,38,20,56,2,47,15]

slope, 
  intercept, r, p, std_err = stats.linregress(x, y)

def 
  myfunc(x):
  return slope * x + intercept

mymodel = list(map(myfunc, 
  x))

plt.scatter(x, y)
plt.plot(x, mymodel)
plt.show()

结果:

文件:Img linear regression badfit.png


r 为了关系?

你应该变得很低 r 值。

  import numpy
from scipy import stats

x = 
  [89,43,36,36,95,10,66,34,38,20,26,29,48,64,6,5,36,66,72,40]
y = 
  [21,46,3,35,67,95,53,72,58,10,26,34,90,33,38,20,56,2,47,15]

slope, intercept, r, 
  p, std_err = stats.linregress(x, y)

print(r)

结果:0.013表明关系很差,并告诉我们该数据集不适合线性回归。