显示文件大小

data.shape

详解基于Jupyter notebooks采用sklearn库实现多元回归方程编程

data

详解基于Jupyter notebooks采用sklearn库实现多元回归方程编程

二.绘制多个变量两两之间的散点图:scatter_matrix()方法

#绘制多个变量两两之间的散点图:scatter_matrix()方法
font = {
  'family' : 'SimHei'
}

matplotlib.rc('font', **font)
scatter_matrix(
  data[["area","distance", "money"]], 
  figsize=(10, 10), diagonal='kde'
)  #diagonal参数表示变量与变量本身之间的绘图方式,kde代表直方图
#求相关系数矩阵
data[["area", "distance", "money"]].corr()

x = data[["area", "distance"]]
y = data[["money"]]

详解基于Jupyter notebooks采用sklearn库实现多元回归方程编程

三、导入sklearn

from sklearn.linear_model import LinearRegression

#建模
lrModel = LinearRegression()

#训练模型
lrModel.fit(x, y)

#评分
R2=lrModel.score(x, y)
print("R的平方:",R2)

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

#查看参数
lrModel.coef_

#查看截距
lrModel.intercept_

结果如下:

详解基于Jupyter notebooks采用sklearn库实现多元回归方程编程

回归方程为:y=41.51x1-0.34x2+65.32

四、python全部代码

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

data.shape

#绘制多个变量两两之间的散点图:scatter_matrix()方法
font = {
  'family' : 'SimHei'
}

matplotlib.rc('font', **font)
scatter_matrix(
  data[["area","distance", "money"]], 
  figsize=(10, 10), diagonal='kde'
)  #diagonal参数表示变量与变量本身之间的绘图方式,kde代表直方图
#求相关系数矩阵
data[["area", "distance", "money"]].corr()

x = data[["area", "distance"]]
y = data[["money"]]

from sklearn.linear_model import LinearRegression

#建模
lrModel = LinearRegression()

#训练模型
lrModel.fit(x, y)

#评分
R2=lrModel.score(x, y)
print("R的平方:",R2)

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

#查看参数
lrModel.coef_

#查看截距
lrModel.intercept_
上一篇: Python多进程编程常用方法解析
下一篇: 简单了解python调用其他脚本方法实例