怎样登录建设互联网站,wordpress账号批量注册,滨海做网站公司,人防pc网站开发计划书本文为365天深度学习训练营 中的学习记录博客原作者#xff1a;K同学啊 任务#xff1a; ●1. 学习本文的多元线形回归模型。 ●2. 参考文本预测花瓣宽度的方法#xff0c;选用其他三个变量来预测花瓣长度。
一、多元线性回归
简单线性回归#xff1a;影响 Y 的因素唯一K同学啊 任务 ●1. 学习本文的多元线形回归模型。 ●2. 参考文本预测花瓣宽度的方法选用其他三个变量来预测花瓣长度。
一、多元线性回归
简单线性回归影响 Y 的因素唯一只有一个。 多元线性回归影响 Y 的因数不唯一有多个。
与一元线性回归一样多元线性回归自然是一个回归问题。
相当于我们高中学的一元一次方程变成了 n 元一次方程。因为 y 还是那个 y。只是自变量增加了。
二、代码实现
我的环境 ●语言环境Python3.9 ●编译器Jupyter Lab
第1步数据预处理
导入数据集
import pandas as pd
import numpy as npurl https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data
names [花萼-length, 花萼-width, 花瓣-length, 花瓣-width, class] dataset pd.read_csv(url, namesnames)
dataset代码输出 花萼-length花萼-width花瓣-length花瓣-widthclass05.13.51.40.2Iris-setosa14.93.01.40.2Iris-setosa24.73.21.30.2Iris-setosa34.63.11.50.2Iris-setosa45.03.61.40.2Iris-setosa..................1456.73.05.22.3Iris-virginica1466.32.55.01.9Iris-virginica1476.53.05.22.0Iris-virginica1486.23.45.42.3Iris-virginica1495.93.05.11.8Iris-virginica
150 rows × 5 columns 备注 如果报下面错误URLError: urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed: self signed certificate in certificate chain (_ssl.c:1129) 在代码开头加上如下代码即可 import ssl ssl._create_default_https_context ssl._create_unverified_context 数据分析
import matplotlib.pyplot as pltplt.plot(dataset[花萼-length], dataset[花瓣-width], x, labelmarkerx)
plt.plot(dataset[花萼-width], dataset[花瓣-width], o, labelmarkero)
plt.plot(dataset[花瓣-length], dataset[花瓣-width], v, labelmarkerv)plt.legend(numpoints1)
plt.show()代码输出 X dataset.iloc[ : ,[1,2]].values
Y dataset.iloc[ : , 3 ].values构建训练集、测试集
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test train_test_split(X, Y, test_size0.2, random_state0)第2步训练多元线性回归模型
from sklearn.linear_model import LinearRegressionregressor LinearRegression()
regressor.fit(X_train, Y_train)第3步在测试集上预测结果
y_pred regressor.predict(X_test)y_pred代码输出
array([1.76025586, 1.23794101, 0.29130263, 2.28334281, 0.2668048 ,2.18837013, 0.18945083, 1.61397124, 1.63158995, 1.28848086,1.95785242, 1.53661727, 1.58870131, 1.54581268, 1.59712462,0.24153487, 1.51134735, 1.44318879, 0.19022292, 0.22314407,1.67447859, 1.51977066, 0.43835934, 0.18179962, 1.63158995,0.06920823, 0.47205258, 1.42557008, 0.94614386, 0.30969343])第4步测试集预测结果可视化
plt.scatter(Y_test,y_pred, colorred)plt.xlabel(True)
plt.ylabel(Prediction)plt.show()代码输出
