Python/python ml polynomial regression
<languages />
机器学习-多项式回归
多项式回归
如果您的数据点显然不适合线性回归(所有数据点之间的直线),则可能是多项式回归的理想选择。
像线性回归一样,多项式回归使用变量x和y之间的关系来找到绘制数据点线的最佳方法。
文件:Img polynomial regression.png
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多项式回归线。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,我们登记了18辆经过特定收费站的汽车。
我们已经记录了汽车的速度,以及一天中经过的时间(小时)。
x轴表示一天中的小时,y轴表示速度:
例
首先绘制散点图:
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] plt.scatter(x, y) plt.show()
结果:
例
进口
numpy
and
matplotlib
然后画出多项式回归线:
import numpy 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)) myline = numpy.linspace(1, 22, 100) plt.scatter(x, y) plt.plot(myline, mymodel(myline)) plt.show()
结果:
文件:Img polynomial regression.png
示例说明
导入所需的模块:
import numpy import matplotlib.pyplot as plt
创建表示x和y轴值的数组:
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]
NumPy有一种方法可以让我们建立多项式模型:
mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))
然后指定行的显示方式,我们从位置1开始,到位置22结束:
myline = numpy.linspace(1, 22, 100)
绘制原始散点图:
plt.scatter(x, y)
画出多项式回归线:
plt.plot(myline, mymodel(myline))
显示图:
plt.show()
R-平方
重要的是要知道x轴和y轴的值之间的关系有多好,如果没有关系,则多项式回归不能用于预测任何东西。
该关系用一个称为r平方的值来度量。
r平方值的范围是0到1,其中0表示不相关,而1表示100%相关。
Python和Sklearn模块将为您计算该值,您所要做的就是将其与x和y数组一起输入:
例
我的数据在多项式回归中的拟合度如何?
import numpy from sklearn.metrics import 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(r2_score(y, mymodel(x)))
注意: 结果0.94表明存在很好的关系,可以在未来的预测中使用多项式回归。
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在晚上17点左右通过收费站的汽车的速度:
为此,我们需要相同的
mymodel
上例中的数组:
mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))
例
预测下午17点过车的速度:
import numpy from sklearn.metrics import 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)) speed = mymodel(17) print(speed)
该示例预测速度为88.87,我们也可以从图中读取:
文件:Img polynomial prediction.png
不合适?
让我们创建一个示例,其中多项式回归不是预测未来值的最佳方法。
例
x轴和y轴的这些值将导致多项式回归非常不适合:
import numpy import matplotlib.pyplot as plt 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] mymodel = numpy.poly1d(numpy.polyfit(x, y, 3)) myline = numpy.linspace(2, 95, 100) plt.scatter(x, y) plt.plot(myline, mymodel(myline)) plt.show()
结果:
和r平方值?
例
您应该得到一个非常低的r平方值。
import numpy from sklearn.metrics import r2_score 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] mymodel = numpy.poly1d(numpy.polyfit(x, y, 3)) print(r2_score(y, mymodel(x)))
结果:0.00995表示关系很差,并告诉我们该数据集不适合多项式回归。