在前面的博客已經(jīng)介紹過多元回歸模型，現(xiàn)在這里粗略介紹如下

python 實(shí)現(xiàn)案例

1、選取數(shù)據(jù)

執(zhí)行代碼#!usr/bin/env?python#_*_?coding:utf-8?_*_import?pandas?as?pdimport?seaborn?as?snsimport?matplotlib.pyplot?as?pltimport?matplotlib?as?mpl???#顯示中文def?mul_lr():

pd_data=pd.read_excel('C:\\Users\\lenovo\\Desktop\\test.xlsx')

print('pd_data.head(10)=\n{}'.format(pd_data.head(10)))

mpl.rcParams['font.sans-serif']?=?['SimHei']??#配置顯示中文，否則亂碼mpl.rcParams['axes.unicode_minus']=False?#用來正常顯示負(fù)號(hào)，如果是plt畫圖，則將mlp換成pltsns.pairplot(pd_data,?x_vars=['中證500','瀘深300','上證50','上證180'],?y_vars='上證指數(shù)',kind="reg",?size=5,?aspect=0.7)

plt.show()#注意必須加上這一句，否則無法顯示。

添加參數(shù)kind=”reg”結(jié)果，關(guān)于畫圖方面可[參考連接]

#####2、構(gòu)建訓(xùn)練集與測(cè)試級(jí)，并構(gòu)建模型from?sklearn.model_selection?import?train_test_split?#這里是引用了交叉驗(yàn)證from?sklearn.linear_model?import?LinearRegression??#線性回歸from?sklearn?import?metricsimport?numpy?as?npimport?matplotlib.pyplot?as?pltdef?mul_lr():???#續(xù)前面代碼

#剔除日期數(shù)據(jù)，一般沒有這列可不執(zhí)行，選取以下數(shù)據(jù)http://blog.csdn.net/chixujohnny/article/details/51095817

X=pd_data.loc[:,('中證500','瀘深300','上證50','上證180')]

y=pd_data.loc[:,'上證指數(shù)']

X_train,X_test,?y_train,?y_test?=?train_test_split(X,y,test_size?=?0.2,random_state=100)????print?('X_train.shape={}\n?y_train.shape?={}\n?X_test.shape={}\n,??y_test.shape={}'.format(X_train.shape,y_train.shape,?X_test.shape,y_test.shape))

linreg?=?LinearRegression()

model=linreg.fit(X_train,?y_train)????print?(model)????#?訓(xùn)練后模型截距

print?(linreg.intercept_)????#?訓(xùn)練后模型權(quán)重（特征個(gè)數(shù)無變化）

print?(linreg.coef_)

feature_cols?=?['中證500','瀘深300','上證50','上證180','上證指數(shù)']

B=list(zip(feature_cols,linreg.coef_))????print(B)

3、模型預(yù)測(cè)#預(yù)測(cè)

y_pred?=?linreg.predict(X_test)????print?(y_pred)?#10個(gè)變量的預(yù)測(cè)結(jié)果

4、模型評(píng)估#評(píng)價(jià)

#(1)?評(píng)價(jià)測(cè)度

#?對(duì)于分類問題，評(píng)價(jià)測(cè)度是準(zhǔn)確率，但這種方法不適用于回歸問題。我們使用針對(duì)連續(xù)數(shù)值的評(píng)價(jià)測(cè)度(evaluation?metrics)。

#?這里介紹3種常用的針對(duì)線性回歸的測(cè)度。

#?1)平均絕對(duì)誤差(Mean?Absolute?Error,?MAE)

#?(2)均方誤差(Mean?Squared?Error,?MSE)

#?(3)均方根誤差(Root?Mean?Squared?Error,?RMSE)

#?這里我使用RMES。

sum_mean=0

for?i?in?range(len(y_pred)):

sum_mean+=(y_pred[i]-y_test.values[i])**2

sum_erro=np.sqrt(sum_mean/10)??#這個(gè)10是你測(cè)試級(jí)的數(shù)量

#?calculate?RMSE?by?hand

print?("RMSE?by?hand:",sum_erro)????#做ROC曲線

plt.figure()

plt.plot(range(len(y_pred)),y_pred,'b',label="predict")

plt.plot(range(len(y_pred)),y_test,'r',label="test")

plt.legend(loc="upper?right")?#顯示圖中的標(biāo)簽

plt.xlabel("the?number?of?sales")

plt.ylabel('value?of?sales')

plt.show()

附錄：

相應(yīng)的參數(shù)說明。

fit_intercept: 布爾型，默認(rèn)為true

說明：是否對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行中心化。如果該變量為false，則表明輸入的數(shù)據(jù)已經(jīng)進(jìn)行了中心化，在下面的過程里不進(jìn)行中心化處理；否則，對(duì)輸入的訓(xùn)練數(shù)據(jù)進(jìn)行中心化處理

normalize布爾型，默認(rèn)為false

說明：是否對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理

copy_X 布爾型，默認(rèn)為true

說明：是否對(duì)X復(fù)制，如果選擇false，則直接對(duì)原數(shù)據(jù)進(jìn)行覆蓋。（即經(jīng)過中心化，標(biāo)準(zhǔn)化后，是否把新數(shù)據(jù)覆蓋到原數(shù)據(jù)上）

**n_jobs整型， 默認(rèn)為1

說明：計(jì)算時(shí)設(shè)置的任務(wù)個(gè)數(shù)(number of jobs)。如果選擇-1則代表使用所有的CPU。這一參數(shù)的對(duì)于目標(biāo)個(gè)數(shù)>1（n_targets>1）且足夠大規(guī)模的問題有加速作用。

返回值：

coef_ ?數(shù)組型變量， 形狀為(n_features,)或(n_targets, n_features)

說明：對(duì)于線性回歸問題計(jì)算得到的feature的系數(shù)。如果輸入的是多目標(biāo)問題，則返回一個(gè)二維數(shù)組(n_targets, n_features)；如果是單目標(biāo)問題，返回一個(gè)一維數(shù)組 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? (n_features,)。

intercept_ ? ? ? ?數(shù)組型變量

說明：線性模型中的獨(dú)立項(xiàng)。

注：該算法僅僅是scipy.linalg.lstsq經(jīng)過封裝后的估計(jì)器。

方法：

decision_function(X) ?對(duì)訓(xùn)練數(shù)據(jù)X進(jìn)行預(yù)測(cè)

fit(X, y[, n_jobs]) ? ? ? ? ? ? ? ? ? ? 對(duì)訓(xùn)練集X, y進(jìn)行訓(xùn)練。是對(duì)scipy.linalg.lstsq的封裝

get_params([deep]) 得到該估計(jì)器(estimator)的參數(shù)。

predict(X) 使用訓(xùn)練得到的估計(jì)器對(duì)輸入為X的集合進(jìn)行預(yù)測(cè)（X可以是測(cè)試集，也可以是需要預(yù)測(cè)的數(shù)據(jù)）。

score(X, y[,]sample_weight) ? 返回對(duì)于以X為samples，以y為target的預(yù)測(cè)效果評(píng)分。

set_params(**params) ? ? ? ? ? ?設(shè)置估計(jì)器的參數(shù)

decision_function(X) 和predict(X)都是利用預(yù)估器對(duì)訓(xùn)練數(shù)據(jù)X進(jìn)行預(yù)測(cè)，其中decision_function(X)包含了對(duì)輸入數(shù)據(jù)的類型檢查，以及當(dāng)前對(duì)象是否存在coef_屬性的檢查，是一種“安全的”方法，而predict是對(duì)decision_function的調(diào)用。

score(X, y[,]sample_weight) ? ?定義為(1-u/v)，其中u = （（y_true - y_pred）**2）.sum()，而v=((y_true-y_true.mean())**2).mean()

最好的得分為1.0，一般的得分都比1.0低，得分越低代表結(jié)果越差。

其中sample_weight為(samples_n,)形狀的向量，可以指定對(duì)于某些sample的權(quán)值，如果覺得某些數(shù)據(jù)比較重要，可以將其的權(quán)值設(shè)置的大一些。

例子：from?sklearn?import?linear_model

clf?=?linear_model.LinearRegression()

clf.fit?([[0,?0],?[1,?1],?[2,?2]],?[0,?1,?2])

LinearRegression(copy_X=True,?fit_intercept=True,?n_jobs=1,?normalize=False)

clf.coef_

array([?0.5,??0.5])

總結(jié)

以上是生活随笔為你收集整理的python预测模型_Python多元线性回归-sklearn.linear_model，并对其预测结果评估的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。