python多元线性回归预测
时间: 2023-09-23 12:13:32 浏览: 127
对于Python中的多元线性回归预测,你可以使用scikit-learn库来实现。下面是一个简单的示例代码,展示了如何使用多元线性回归模型进行预测:
```python
from sklearn.linear_model import LinearRegression
# 定义特征矩阵 X 和目标变量 y
X = [[1, 3], [2, 4], [3, 6], [4, 8]] # 特征矩阵 X,每行代表一个样本的特征
y = [6, 8, 12, 16] # 目标变量 y,对应样本的输出值
# 创建多元线性回归模型对象
model = LinearRegression()
# 使用特征矩阵 X 和目标变量 y 训练模型
model.fit(X, y)
# 进行预测
new_data = [[5, 10], [6, 12]] # 新的特征矩阵,用于预测
predictions = model.predict(new_data)
print(predictions)
```
在上述代码中,特征矩阵X是一个二维数组,每一行代表一个样本的特征,每一列代表一个特征。目标变量y是一个一维数组,代表每个样本对应的输出值。通过调用LinearRegression()创建了一个多元线性回归模型对象,并使用fit()函数进行训练。最后,使用predict()函数对新的特征矩阵进行预测,并打印出预测结果。
相关问题
python多元线性回归预测光伏发电代码
以下是一个简单的Python多元线性回归预测光伏发电的代码示例:
```python
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
# 读取数据
data = pd.read_csv('solar_data.csv')
# 划分自变量和因变量
X = data[['Temperature', 'WindSpeed', 'Humidity']]
y = data['Power']
# 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=0)
# 线性回归模型
regressor = LinearRegression()
regressor.fit(X_train, y_train)
# 预测
y_pred = regressor.predict(X_test)
# 输出预测结果
print(y_pred)
```
注意,这个示例假设你已经有了一个名为`solar_data.csv`的数据文件,其中包含了温度、风速、湿度和光伏发电功率的数据。你需要根据实际情况修改代码中的文件名和自变量和因变量的列名。
python多元线性回归预测波士顿房价
好的,下面是Python实现多元线性回归预测波士顿房价的步骤:
1. 导入所需的库:
``` python
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
```
2. 加载波士顿房价数据集:
``` python
boston = load_boston()
X = pd.DataFrame(boston.data, columns=boston.feature_names)
y = pd.DataFrame(boston.target, columns=['MEDV'])
```
3. 数据集划分为训练集和测试集:
``` python
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
```
4. 创建线性回归模型并进行训练:
``` python
reg = LinearRegression()
reg.fit(X_train, y_train)
```
5. 对测试集进行预测并计算均方误差:
``` python
y_pred = reg.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print('均方误差:', mse)
```
6. 可以输出预测结果和实际结果进行比较:
``` python
result = pd.DataFrame({'Actual': y_test['MEDV'], 'Predicted': y_pred.flatten()})
print(result)
```
7. 最后,我们可以画出实际房价和预测房价的散点图:
``` python
plt.scatter(y_test, y_pred)
plt.xlabel('实际房价')
plt.ylabel('预测房价')
plt.show()
```
以上就是Python实现多元线性回归预测波士顿房价的步骤。