python3 线性回归验证方法-6ren

python3 线性回归验证方法

转载作者：qq735679552 更新时间：2022-09-29 22:32:09

CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章python3 线性回归验证方法由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

如下所示:

 
    ? 
   
         #-*- coding: utf-8 -*- 
        
         import 
         pandas as pd 
        
         import 
         numpy as np 
        
         from 
         patsy.highlevel  
         import 
         dmatrices 
        
         #2.7里面是from patsy import dmatrices 
        
         from 
         statsmodels.stats.outliers_influence  
         import 
         variance_inflation_factor 
        
         import 
         statsmodels.api as sm 
        
         import 
         scipy.stats as stats 
        
         from 
         sklearn.metrics  
         import 
         mean_squared_error 
        
         import 
         seaborn as sns 
        
         import 
         matplotlib.pyplot as plt 
        
         import 
         matplotlib.mlab as mlab 
        
         import 
         matplotlib 
        
         #数据获取 
        
         ccpp  
         = 
         pd.read_excel( 
         'CCPP.xlsx' 
         ) 
        
         ccpp.describe() 
        
         #绘制各变量之间的散点图 
        
         sns.pairplot(ccpp) 
        
         plt.show() 
        
         #发电量（PE）与自变量之间的相关系数 
        
         a  
         = 
         ccpp.corrwith(ccpp.PE) 
        
         print 
         (a) 
        
         #将因变量PE，自变量AT,V,AP和截距项（值为1的1维数值）以数据框的形式组合起来 
        
         y,x  
         = 
         dmatrices( 
         'PE~AT+V+AP' 
         ,data  
         = 
         ccpp,return_type  
         = 
         'dataframe' 
         ) 
        
         #构造空的数据框 
        
         vif  
         = 
         pd.DataFrame() 
        
         vif[" 
         "VIF Factor" 
         "]  
         = 
         [variance_inflation_factor(x.values,i)  
         for 
         i  
         in 
         range 
         (x.shape[ 
         1 
         ])] 
        
         vif[" 
         "features" 
         "]  
         = 
         x.columns 
        
         print 
         (vif) 
        
         #构建PE与AT,V和AP之间的线性模型 
        
         fit  
         = 
         sm.formula.ols( 
         'PE~AT+V+AP' 
         ,data 
         = 
         ccpp).fit() 
        
         b  
         = 
         fit.summary() 
        
         # print(b) 
        
         #计算模型的RMSE值 
        
         pred  
         = 
         fit.predict() 
        
         c  
         = 
         np.sqrt(mean_squared_error(ccpp.PE,pred)) 
        
         print 
         (c) 
        
         #离群点检验 
        
         outliers  
         = 
         fit.get_influence() 
        
         #高杠杆值点（帽子矩阵） 
        
         leverage  
         = 
         outliers.hat_matrix_diag 
        
         #dffits值 
        
         dffits  
         = 
         outliers.dffits[ 
         0 
         ] 
        
         #学生化残差 
        
         resid_stu  
         = 
         outliers.resid_studentized_external 
        
         #cook距离 
        
         cook  
         = 
         outliers.cooks_distance[ 
         0 
         ] 
        
         #covratio值 
        
         covratio  
         = 
         outliers.cov_ratio 
        
         #将上面的几种异常值检验统计量与原始数据集合并 
        
         contat1  
         = 
         pd.concat([pd.Series(leverage,name  
         = 
         'leverage' 
         ),pd.Series(dffits,name  
         = 
         'dffits' 
         ), 
        
         pd.Series(resid_stu,name  
         = 
         'resid_stu' 
         ),pd.Series(cook,name  
         = 
         'cook' 
         ), 
        
         pd.Series(covratio,name  
         = 
         'covratio' 
         ),],axis  
         = 
         1 
         ) 
        
         ccpp_outliers  
         = 
         pd.concat([ccpp,contat1],axis  
         = 
         1 
         ) 
        
         d  
         = 
         ccpp_outliers.head() 
        
         print 
         (d) 
        
         #计算异常值数量的比例 
        
         outliers_ratio  
         = 
         sum 
         (np.where((np. 
         abs 
         (ccpp_outliers.resid_stu)> 
         2 
         ), 
         1 
         , 
         0 
         )) 
         / 
         ccpp_outliers.shape[ 
         0 
         ] 
        
         e  
         = 
         outliers_ratio 
        
         print 
         (e) 
        
         #删除异常值 
        
         ccpp_outliers  
         = 
         ccpp_outliers.loc[np. 
         abs 
         (ccpp_outliers.resid_stu)< 
         = 
         2 
         ,] 
        
         #重新建模 
        
         fit2  
         = 
         sm.formula.ols( 
         'PE~AT+V+AP' 
         ,data  
         = 
         ccpp_outliers).fit() 
        
         f  
         = 
         fit2.summary() 
        
         # print(f) 
        
         pred2  
         = 
         fit2.predict() 
        
         g  
         = 
         np.sqrt(mean_squared_error(ccpp_outliers.PE,pred2)) 
        
         print 
         (g) 
        
         # 
        
         #残差的正态性检验（直方图法） 
        
         resid  
         = 
         fit2.resid 
        
         #中文和负号的正常显示 
        
         # plt.rcParams['font.sans=serif'] = ['Microsoft YaHei'] 
        
         plt.rcParams[ 
         'font.sans-serif' 
         ]  
         = 
         [ 
         'SimHei' 
         ] 
        
         # plt.rcParams['font.sans=serif'] = 'sans-serif' 
        
         plt.rcParams[ 
         'axes.unicode_minus' 
         ]  
         = 
         False 
        
         plt.hist(resid,bins  
         = 
         100 
         ,normed  
         = 
         True 
         ,color  
         = 
         'steelblue' 
         ,edgecolor  
         = 
         'k' 
         ) 
        
         #设置坐标轴标签和标题 
        
         plt.title( 
         '残差直方图' 
         ) 
        
         plt.ylabel( 
         '密度值' 
         ) 
        
         #生成正态曲线的数据 
        
         x1  
         = 
         np.linspace(resid. 
         min 
         (),resid. 
         max 
         (), 
         1000 
         ) 
        
         normal  
         = 
         mlab.normpdf(x1,resid.mean(),resid.std()) 
        
         #绘制正态分布曲线 
        
         plt.plot(x1,normal, 
         'r-' 
         ,linewidth  
         = 
         2 
         ,label  
         = 
         '正态分布曲线' 
         ) 
        
         #生成核密度曲线的数据 
        
         kde  
         = 
         mlab.GaussianKDE(resid) 
        
         x2  
         = 
         np.linspace(resid. 
         min 
         (),resid. 
         max 
         (), 
         1000 
         ) 
        
         #绘制核密度曲线 
        
         plt.plot(x2,kde(x2), 
         'k-' 
         ,linewidth  
         = 
         2 
         ,label  
         = 
         '核密度曲线' 
         ) 
        
         #去除图形顶部边界和右边界的刻度 
        
         plt.tick_params(top  
         = 
         'off' 
         ,right  
         = 
         'off' 
         ) 
        
         #显示图例 
        
         plt.legend(loc 
         = 
         'best' 
         ) 
        
         #显示图形 
        
         plt.show() 
        
         #生成的正态曲线的数据 
        
         pp_qq_plot  
         = 
         sm.ProbPlot(resid) 
        
         pp_qq_plot.ppplot(line  
         = 
         '45' 
         ) 
        
         plt.title( 
         'P-P图' 
         ) 
        
         pp_qq_plot.qqplot(line  
         = 
         'q' 
         ) 
        
         plt.title( 
         'Q-Q图' 
         ) 
        
         plt.show() 
        
         #残差的正态性检验（非参数法） 
        
         standard_resid  
         = 
         (resid 
         - 
         np.mean(resid)) 
         / 
         np.std(resid) 
        
         g  
         = 
         stats.kstest(standard_resid, 
         'norm' 
         ) 
        
         print 
         (g) 
        
         # 总结：由于shapiro正态性检验对样本量的需求是5000以内，而本次数据集样本量有9000多，故选择k-s来完成正态性检验。 
        
         # 从k-s检验的p值来看，拒绝了残差服从正态分布的假设，即认为残差并不满足正态性假设这个前提。 
        
         # 如果残差不服从正态分布的话，建议对Y变量进行box-cox变换处理。 
        
         # 由于fit2模型的残差并没有特别明显的偏态（偏度为0.058，接近于0），故这里就不对Y进行变换。 
        
         #  
        
         # import scipy.stats as stats 
        
         # #找到box-cox变换的Lambda系数 
        
         # lamd = stats.boxcox_normmax(vif.y,method = 'mle') 
        
         # #对y进行变换 
        
         # vif['trans_y'] = stats.boxcox(vif.y,lamd) 
        
         # #建模 
        
         # fit3 = sm.formula.ols('y~x1+x2...',data = vif).fit() 
        
         # fit3.summary()

以上这篇python3 线性回归验证方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我.

原文链接：https://blog.csdn.net/SunWuKong_Hadoop/article/details/80254848 。

最后此篇关于python3 线性回归验证方法的文章就讲到这里了,如果你想了解更多关于python3 线性回归验证方法的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！。

文章推荐： Python绘制堆叠柱状图的实例

文章推荐： Vue使用v-viewer实现图片预览

文章推荐： nodejs使用Sequelize框架操作数据库的实现

文章推荐： MongoDB mongoexport工具的使用简介

jsf - Bean 验证 VS JSF 验证
在 JSF2 应用程序中遇到验证属性的问题时，有两种主要方法。使用 Annotation 在 ManagedBean 上定义验证 @ManagedBean public class MyBean {
javascript - Jquery 验证。验证 "keyup"并在密码正确时隐藏表单
我想实现一个不常见的功能，我认为 jquery 验证插件将是最好的方法(如果您在没有插件的情况下建议和回答，我们也会欢迎)。我想在用户在输入字段中输入正确的单词后立即隐藏表单。我试过这个: $("
javascript - jQuery 验证 - 同一类的 NotEqual 验证
我有几个下拉菜单(类名为month_dropdown)，并且下拉菜单的数量不是恒定的。我怎样才能为它们实现 NotEqual 验证。我正在使用 jQuery 验证插件。这就是我写的 - jQuery
php - Javascript 中的 URL 验证 InstaGram 验证
我设法制作了这个网址验证代码并且它起作用了。但我面临着一个问题。我认为 stackoverflow 是获得解决方案的最佳场所。 function url_followers(){ var url=do
java - 验证/验证 Google Play 游戏服务 ID？
我目前正在使用后端服务，该服务允许用户在客户端应用程序上使用 Google Games 库登录。用户可以通过他们的 gplay ID 向我们发送信息，以便登录或恢复旧帐户。用户向我们发送以下内容，包
完整和部分 IP 的 python IP 验证 REGex 验证
我正在尝试验证输入以查看它是否是有效的 IP 地址(可能是部分地址)。可接受的输入:172、172.112、172.112.113、172.112.113.114 Not Acceptable 输入
regex - Mongoose 验证 : required : false, 验证 : regex, 问题与空值
我从 Mongoose 验证中得到这条消息: 'Validator failed for path phone with value ``' 这不应该发生，因为不需要电话。这是我的模型架构: var
openssl - 使用 .start_tls_s() 时如何强制 Python LDAP 验证/验证 SSL 证书
我一直在尝试使用Python-LDAP (版本 2.4.19)在 MacOS X 10.9.5 和 Python 2.7.9 下我想在调用 .start_tls_s() 后验证与给定 LDAP 服务
javascript - 在 VS 2017 中禁用一个项目的 ESLint/CSSLint/Javascript 验证/CSS 验证
我正在处理一个仅与 IE6 兼容的旧 javascript 项目(抱歉...)，我想仅在 VS 2017 中禁用此项目的 ESLint/CSLint/Javascript 验证/CSS 验证。我知道
spring - 使用 Hibernate Validator 验证 double 和 float 值 - bean 验证
我正在寻找一种方法来验证 Spring 命令 bean 中的 java.lang.Double 字段的最大值和最小值(一个值必须位于给定的值范围之间)，例如, public final class W
java - 无法执行目标org.apache.maven.plugins :maven-failsafe-plugin:2. 12:验证(验证)
我正在尝试在 springfuse(JavaEE 6 + Spring Framework (针对 Jetty、Tomcat、JBoss 等)) 和 maven 的帮助下构建我的 webapps 工作
Scalaz 验证
我试图在我们的项目中使用 scalaz 验证，但遇到了以下情况: def rate(username: String, params: Map[String, String]): Validation
YamlLint 验证
我有一个像这样的 Yaml 文件 name: hhh_aaa_bbb arguments: - !argument name: inputsss des
JavaScript 验证
我有一个表单，人们可以单击并向表单添加字段，并且我需要让它在单击时验证这些字段中的值。假设我单击它两次并获取 2 个独立的字段集，我需要旋转 % 以确保它在保存时等于 100。我已放入此函数以使其
JavaScript 验证
在我的页面中有一个选项可以创建新的日期字段输入框。用户可以根据需要创建尽可能多的“截止日期”和“起始日期”框。就像，日期_to1 || date_from1 日期到2 ||日期_from2 date
YamlLint 验证
我有一个像这样的 Yaml 文件 name: hhh_aaa_bbb arguments: - !argument name: inputsss des
Jquery 验证
有没有办法在动态字段上使用 jquery 验证表单。我想将其设置为必填字段我正在使用 Jsp 动态创建表单字段。喜欢等等...... 我想使用必需的表单字段验证此表单字段。最佳答
JavaScript 验证
嗨，任何人都可以通过提供 JavaScript 代码来帮助我验证用户名文本框不应包含数字，它只能包含一个字符。最佳答案使用正则表达式: (\d)+ 如果找到匹配项，则字符串中就有一个数字。关于J
JavaScript 验证
我有两个输入字段holidayDate和Description(id=tags) $(document).ready(function() {
JavaScript 验证 :
我遇到了这个问题，这些验证从电子邮件验证部分开始就停止工作。我只是不明白为什么即使经过几天的观察，只是想知道是否有人可以在这里指出我的错误？ Javascript部分: function valid

qq735679552

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城

python3 线性回归验证方法