Python实现多元线性回归预测模型

多元线性回归是一种常见的机器学习算法，用于预测因变量与多个自变量之间的关系。在Python中，可以使用scikit-learn库来实现多元线性回归预测模型。

首先，需要导入必要的库：

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score

接下来，需要准备数据。可以使用Pandas库中的read_csv函数从CSV文件中读取数据，如下所示：

data = pd.read_csv('data.csv')

然后，需要将数据分为训练集和测试集。可以使用train_test_split函数来实现，如下所示：

X = data.drop('y', axis=1)
y = data['y']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

在这里，我们将因变量y从自变量中分离出来，然后将数据分为训练集和测试集，其中测试集占总数据的20%。

接下来，可以使用线性回归模型来训练数据：

regressor = LinearRegression()
regressor.fit(X_train, y_train)

在训练完成后，可以使用测试集来测试模型的准确性：

y_pred = regressor.predict(X_test)
r2 = r2_score(y_test, y_pred)
print('R2 score:', r2)

在这里，我们使用r2_score函数来计算模型的R2得分，它用于衡量模型的拟合程度，得分越高，表示模型的拟合程度越好。

最后，可以使用训练好的模型来进行预测：

new_data = pd.DataFrame({'x1': [10, 20, 30], 'x2': [5, 8, 12]})
y_pred = regressor.predict(new_data)
print('Predicted y:', y_pred)

在这里，我们使用新的数据来进行预测，其中x1和x2是自变量的值，y_pred是模型预测出的因变量的值。

完整的代码如下所示：

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score

# load data
data = pd.read_csv('data.csv')

# split data into training and testing sets
X = data.drop('y', axis=1)
y = data['y']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# train model
regressor = LinearRegression()
regressor.fit(X_train, y_train)

# test model
y_pred = regressor.predict(X_test)
r2 = r2_score(y_test, y_pred)
print('R2 score:', r2)

# make predictions
new_data = pd.DataFrame({'x1': [10, 20, 30], 'x2': [5, 8, 12]})
y_pred = regressor.predict(new_data)
print('Predicted y:', y_pred)