Python数据挖掘—回归—线性回归

简单线性回归

步骤：

1、读取数据

2、画出散点图，求x和y 的相关系数：plt.scatter(x,y),x和y是dataframe

3、估计参数模型，建立回归模型：lrModel=LinearRegression()

4、训练模型: lrModel.fit(x,y)

5、对回归模型进行检验: lrModel.score(x,y)

6、利用回归模型进行预测:  lrModel.predict()

import numpy
from pandas import read_csv
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression

data=read_csv(
    "C:\Users\Jw\Desktop\python_work\Python数据挖掘实战课程课件\4.1\data.csv")

#第二步，画出散点图，求x和y 的相关系数
plt.scatter(data.广告投入,data.销售额)

data.corr()

#第三部，估计模型参数，建立回归模型
lrModel=LinearRegression()

x=data[["广告投入"]]      #一个[]是series，两个是dataframe
y=data[["销售额"]]


#训练模型
lrModel.fit(x,y)


#第四步，对回归模型进行检验
lrModel.score(x,y)

#第五步，利用回归模型进行预测
lrModel.predict([[50],[40],[30]])

同时还可以看截距与斜率：

alpha=lrModel.intercept_[0]

beta=lrModel.coef_[0][0]

alpha+beta*numpy.array([50,40,30])

 

多重线性回归

步骤：

1、读取数据

2、建模

3、训练模型

4、评分

5、预测

import pandas;
import matplotlib;
from pandas.tools.plotting import scatter_matrix;

data = pandas.read_csv(
    'D:\PDM\4.2\data.csv'
)

font = {
    'family' : 'SimHei'
}
matplotlib.rc('font', **font)

scatter_matrix(
    data[["店铺的面积", "距离最近的车站", "月营业额"]], 
    figsize=(10, 10), diagonal='kde'
)

data[["店铺的面积", "距离最近的车站", "月营业额"]].corr()

x = data[["店铺的面积", "距离最近的车站"]]
y = data[["月营业额"]]

from sklearn.linear_model import LinearRegression
#建模
lrModel = LinearRegression()
#训练模型
lrModel.fit(x, y)
#评分
lrModel.score(x, y)
#预测
lrModel.predict([10, 110])

lrModel.predict([[10, 110],[20, 110]])

#查看参数
lrModel.coef_

#查看截距
lrModel.intercept_