gpt4 book ai didi

Python多项式回归的实现方法

转载 作者:qq735679552 更新时间:2022-09-28 22:32:09 24 4
gpt4 key购买 nike

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Python多项式回归的实现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.

多项式回归是一种线性回归形式,其中自变量x和因变量y之间的关系被建模为n次多项式。多项式回归拟合x的值与y的相应条件均值之间的非线性关系,表示为e(y | x) 。

为什么多项式回归:

  • 研究人员假设的某些关系是曲线的。显然,这种类型的案例将包括多项式项。
  • 检查残差。如果我们尝试将线性模型拟合到曲线数据,则预测变量(x轴)上的残差(y轴)的散点图将在中间具有许多正残差的斑块。因此,在这种情况下,这是不合适的。
  • 通常的多元线性回归分析的假设是所有自变量都是独立的。在多项式回归模型中,不满足该假设。

多项式回归的使用:

这些基本上用于定义或描述非线性现象,例如:

  • 组织生长速度。
  • 疾病流行病的进展
  • 湖泊沉积物中碳同位素的分布

回归分析的基本目标是根据自变量x的值来模拟因变量y的期望值。在简单回归中,我们使用以下等式 y = a + bx + e 。

这里y是因变量,a是y截距,b是斜率,e是误差率.

在许多情况下,这种线性模型将无法解决。例如,如果我们在这种情况下根据合成温度分析化学合成的产生,我们使用二次模型y = a + b1x + b2 ^ 2 + e 。

这里y是x的因变量,a是y截距,e是误差率.

通常,我们可以将其建模为第n个值。y = a + b1x + b2x ^ 2 + .... + bnx ^ n 。

由于回归函数在未知变量方面是线性的,因此这些模型从估计的角度来看是线性的.

因此,通过最小二乘技术,让我们计算y的响应值.

python中的多项式回归

要获得用于分析多项式回归的数据集,请单击此处.

步骤1:导入库和数据集 。

导入重要的库和我们用于执行多项式回归的数据集.

?
1
2
3
4
5
6
7
8
# importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
 
# importing the dataset
datas = pd.read_csv( 'data.csv' )
datas

Python多项式回归的实现方法

第2步:将数据集分为2个组件 。

将数据集划分为两个组件,即x和yx将包含1到2之间的列.y将包含2列.

?
1
2
x = datas.iloc[:, 1 : 2 ].values
y = datas.iloc[:, 2 ].values

第3步:将线性回归拟合到数据集 。

拟合线性回归模型在两个组件上.

?
1
2
3
4
5
# fitting linear regression to the dataset
from sklearn.linear_model import linearregression
lin = linearregression()
 
lin.fit(x, y)

第4步:将多项式回归拟合到数据集 。

将多项式回归模型拟合到两个分量x和y上.

?
1
2
3
4
5
6
7
8
9
# fitting polynomial regression to the dataset
from sklearn.preprocessing import polynomialfeatures
 
poly = polynomialfeatures(degree = 4 )
x_poly = poly.fit_transform(x)
 
poly.fit(x_poly, y)
lin2 = linearregression()
lin2.fit(x_poly, y)

步骤5:在此步骤中,我们使用散点图可视化线性回归结果.

?
1
2
3
4
5
6
7
8
9
# visualising the linear regression results
plt.scatter(x, y, color = 'blue' )
 
plt.plot(x, lin.predict(x), color = 'red' )
plt.title( 'linear regression' )
plt.xlabel( 'temperature' )
plt.ylabel( 'pressure' )
 
plt.show()

Python多项式回归的实现方法

步骤6:使用散点图可视化多项式回归结果.

?
1
2
3
4
5
6
7
8
9
# visualising the polynomial regression results
plt.scatter(x, y, color = 'blue' )
 
plt.plot(x, lin2.predict(poly.fit_transform(x)), color = 'red' )
plt.title( 'polynomial regression' )
plt.xlabel( 'temperature' )
plt.ylabel( 'pressure' )
 
plt.show()

Python多项式回归的实现方法

步骤7:使用线性和多项式回归预测新结果.

?
1
2
# predicting a new result with linear regression
lin.predict( 110.0 )

Python多项式回归的实现方法

?
1
2
# predicting a new result with polynomial regression
lin2.predict(poly.fit_transform( 110.0 ))

Python多项式回归的实现方法

使用多项式回归的优点:

  • 广泛的功能可以适应它。
  • 多项式基本上适合宽范围的曲率。
  • 多项式提供了依赖变量和自变量之间关系的最佳近似。

使用多项式回归的缺点 。

  • 这些对异常值过于敏感。
  • 数据中存在一个或两个异常值会严重影响非线性分析的结果。
  • 此外,遗憾的是,用于检测非线性回归中的异常值的模型验证工具少于线性回归。

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持我.

原文链接:https://www.cnblogs.com/python01/p/10329383.html 。

最后此篇关于Python多项式回归的实现方法的文章就讲到这里了,如果你想了解更多关于Python多项式回归的实现方法的内容请搜索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! 。

24 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com