多元线性回归模型python

在Python中，可以使用多个库来实现多元线性回归模型，其中比较常用的是StatsModels和Scikit-learn。

以下是使用StatsModels实现多元线性回归模型的示例代码：

import statsmodels.api as sm
import numpy as np

# 构造数据
X = np.random.rand(100, 3)
y = np.dot(X, [1.5, 2.5, 3.5]) + 0.5*np.random.randn(100)

# 添加常数列
X = sm.add_constant(X)

# 构建模型
model = sm.OLS(y, X)

# 拟合模型
results = model.fit()

# 输出结果
print(results.summary())

以上代码中，首先构造了一个包含3个自变量和1个因变量的数据集。然后通过`sm.add_constant()`函数将自变量矩阵添加一列常数列，以便模型能够拟合截距。接着使用`sm.OLS()`函数构建了一个多元线性回归模型。最后，使用`fit()`方法拟合模型，并使用`summary()`方法输出结果。

使用Scikit-learn库实现多元线性回归的示例代码如下：

from sklearn.linear_model import LinearRegression
import numpy as np

# 构造数据
X = np.random.rand(100, 3)
y = np.dot(X, [1.5, 2.5, 3.5]) + 0.5*np.random.randn(100)

# 构建模型
model = LinearRegression()

# 拟合模型
model.fit(X, y)

# 输出结果
print("Coefficients:", model.coef_)
print("Intercept:", model.intercept_)

以上代码中，使用`LinearRegression()`函数构建了一个多元线性回归模型，并使用`fit()`方法拟合模型。最后，使用`coef_`属性输出各自变量的系数，使用`intercept_`属性输出截距。