多元线性回归模型python代码
时间: 2023-09-16 20:06:36 浏览: 48
下面是一个简单的多元线性回归模型的 Python 代码示例:
```python
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
# 读取数据
data = pd.read_csv('data.csv')
# 提取自变量和因变量
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values
# 创建线性回归模型并进行训练
regressor = LinearRegression()
regressor.fit(X, y)
# 输出模型的系数和截距
print('Coefficients: ', regressor.coef_)
print('Intercept: ', regressor.intercept_)
# 进行预测
y_pred = regressor.predict([[5, 80]])
# 输出预测结果
print('Predicted Value: ', y_pred)
```
在这个示例中,我们使用 pandas 库读取数据,提取自变量和因变量,并使用 sklearn.linear_model 库中的 LinearRegression 类创建模型。我们使用 fit() 方法进行训练,并使用 predict() 方法进行预测。最后,我们输出模型的系数和截距,以及预测结果。
相关问题
写一个多元线性回归模型python代码
下面是一个简单的多元线性回归模型的Python代码示例,以使用sklearn库中的LinearRegression模型为例:
```python
import pandas as pd
from sklearn.linear_model import LinearRegression
# 读取数据
data = pd.read_csv('data.csv')
# 准备自变量和因变量数据
X = data[['食品价格涨幅', '衣着价格涨幅', '居住价格涨幅', '生活用品及服务价格涨幅', '交通和通信价格涨幅',
'教育文化和娱乐用品价格涨幅', '医疗保健价格涨幅']]
y = data['全年CPI涨幅']
# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
# 建立模型并拟合数据
model = LinearRegression()
model.fit(X_train, y_train)
# 输出模型参数
print('截距:', model.intercept_)
print('系数:', model.coef_)
# 在测试集上进行预测并计算误差指标
from sklearn.metrics import mean_squared_error, mean_absolute_error
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
mae = mean_absolute_error(y_test, y_pred)
print('均方误差:', mse)
print('平均绝对误差:', mae)
```
注意:此代码仅为示例,实际应用中可能需要进行数据清洗、变量选择、模型调参等操作。
多元非线性回归模型python代码
多元非线性回归模型是一种用于建立多个自变量和一个因变量之间的非线性关系的回归模型。在Python中,可以使用scikit-learn库来实现多元非线性回归模型。面是一个示例代码:
```python
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
from sklearn.pipeline import make_pipeline
# 创建多元非线性回归模型
def create_nonlinear_regression_model(degree):
model = make_pipeline(PolynomialFeatures(degree), LinearRegression())
return model
# 准备数据
X = [, , , , ] # 自变量
y = [2, 4, 6, 8, 10] # 因变量
# 创建并训练模型
model = create_nonlinear_regression_model(degree=2)
model.fit(X, y)
# 预测新数据
X_new = [, ]
y_pred = model.predict(X_new)
print("预测结果:", y_pred)
```
这段代码使用了`PolynomialFeatures`将自变量进行多项式特征转换,然后使用`LinearRegression`进行线性回归拟合。通过调整`degree`参数可以控制多项式的阶数,从而实现非线性回归。