import pandas as pd data..…..d.ne.ad..exc.el(.发电场数据.xls.X!.2x = data.iloc[ : ,.0:4] y = data.iloc[ : ,4] fnom sklearn.linear_model import LinearRegression as LRlr = LR() lr.fit(x, y)slr=lr.score(x,y)c_x三lr.coef_ c_b=lr.intercept_ p.nint.(.a2.t .i.(.AT) 6.土 6.f.(NM)2土. .r.f.(AP.))2. ..f.(RH.).2t. .6.…..….(c.mX.09.1.c.. I1].c.m.X.I.2J.n.0..xI3J..c.n..)impont numpy as np x1=np.array([28.4,50.6,1011.9,80.54])x1=x1.reshape(1,4) R1=lr.predict(x1) #采用自带函数预测 r1=x1*c_X R2=r1.sum()+c_b #计算其预测值系数和常数项是哪个
时间: 2024-04-23 14:24:41 浏览: 131
pandas玩转excel码源.zip
这段代码使用了线性回归模型对发电场数据进行了拟合,并预测了一个新的样本点的输出值。
首先,我们使用pandas库中的read_excel()函数读取了Excel文件中的发电场数据,并使用iloc[ : ,0:4]和iloc[ : ,4]分别取出前四列特征和最后一列的目标变量。
接着,我们使用sklearn.linear_model库中的LinearRegression()类创建了一个线性回归模型实例lr,并使用fit()方法在训练集上拟合了模型。
然后,我们使用score()方法计算模型在训练集上的决定系数(R²),并将结果保存到slr中。
接下来,我们使用coef_和intercept_属性分别获取线性回归模型的回归系数和截距,并将结果保存到c_X和c_b中。
然后,我们创建了一个新的样本点x1,使用predict()方法对其进行预测,并将预测结果保存到R1中。
最后,我们使用计算公式r1=x1*c_X和R2=r1.sum()+c_b,手动计算出预测值的系数和常数项,并将结果保存到R2中。
阅读全文