python做多元线性回归

多元线性回归是一种常见的统计学方法，可以用于建立多个自变量与一个因变量之间的线性关系模型。在 Python 中，可以使用 statsmodels 和 scikit-learn 两个库来进行多元线性回归的建模。

下面是使用 statsmodels 进行多元线性回归的示例代码：

import statsmodels.api as sm
import numpy as np

# 构造输入数据
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 构造输出数据
y = np.array([10, 20, 30])

# 添加常数项
X = sm.add_constant(X)

# 建立模型
model = sm.OLS(y, X).fit()

# 输出结果
print(model.summary())

上述代码中，我们首先构造了一个 3 行 3 列的输入数据矩阵 X 和一个长度为 3 的输出数据向量 y。然后，使用 `add_constant` 方法将 X 矩阵的第一列添加了常数项，接着使用 `OLS` 方法建立模型，并使用 `fit` 方法进行拟合。最后，使用 `summary` 方法输出模型的详细信息，包括模型参数估计值、标准误差、t 值、p 值等。

如果您使用的是 scikit-learn 库，可以参考以下示例代码：

from sklearn.linear_model import LinearRegression
import numpy as np

# 构造输入数据
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 构造输出数据
y = np.array([10, 20, 30])

# 建立模型
model = LinearRegression().fit(X, y)

# 输出结果
print('intercept:', model.intercept_)
print('coefficients:', model.coef_)

上述代码中，我们首先构造了一个 3 行 3 列的输入数据矩阵 X 和一个长度为 3 的输出数据向量 y。然后，使用 `LinearRegression` 类建立模型，并使用 `fit` 方法进行拟合。最后，使用 `intercept_` 和 `coef_` 属性分别输出截距和模型系数的估计值。