怎么用python做回归分析

在 Python 中，进行回归分析通常使用的是 scikit-learn 库。这里给出一个简单的例子，展示如何使用线性回归模型进行分析。

首先，我们需要导入相关的库和数据集。这里我们使用 scikit-learn 自带的波士顿房价数据集。

from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 导入数据集
boston = load_boston()
X = boston.data
y = boston.target

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

接下来，我们可以创建一个线性回归模型，并使用训练集进行拟合。

# 创建线性回归模型并拟合训练集
lr = LinearRegression()
lr.fit(X_train, y_train)

我们可以使用训练好的模型对测试集进行预测，并计算模型的性能指标。

# 使用测试集进行预测
y_pred = lr.predict(X_test)

# 计算模型的性能指标
from sklearn.metrics import mean_squared_error, r2_score
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print("Mean squared error: %.2f" % mse)
print("R2 score: %.2f" % r2)

最后，我们可以可视化预测结果。

import matplotlib.pyplot as plt

plt.scatter(y_test, y_pred)
plt.xlabel("True values")
plt.ylabel("Predictions")
plt.show()

以上就是一个简单的线性回归分析的例子。在实际应用中，还需要对数据进行预处理、特征选择等操作，以及使用更复杂的模型进行分析。