python多元函数线性回归

Python中的多元函数线性回归是一种统计分析技术，它允许我们在数据中找到自变量和因变量之间的复杂关系。在多元线性回归模型中，有多个自变量（也称为特征或预测变量）同时影响一个因变量（目标变量）。通常使用`sklearn`库中的`LinearRegression`类来实现这一过程。

以下是使用`scikit-learn`进行多元线性回归的基本步骤：

1. 导入所需库：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import pandas as pd
import numpy as np

2. 加载数据集或创建示例数据：

# 假设有一个DataFrame df，其中包含特征列 X 和目标列 y
X = df[['feature1', 'feature2', 'feature3']] # 特征矩阵
y = df['target'] # 目标变量

3. 划分训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. 创建并训练模型：

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

5. 预测：

y_pred = model.predict(X_test)

6. 模型评估：

from sklearn.metrics import mean_squared_error, r2_score
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print('MSE:', mse)
print('R-squared:', r2)