当前位置: 首页>编程语言>正文

线性回归r2在线计算 线性回归方程r2计算器

人工智能与机器学习——初识线性回归


文章目录

  • 人工智能与机器学习——初识线性回归
  • 一、任务要求
  • 二、任务过程
  • 1.数据分析
  • 2.用jupyter编程
  • 3.用jupyter编程,借助skleran
  • 三、总结


一、任务要求

1.用excel中数据分析功能做线性回归练习。分别选取20、200、2000(或20000)组数据,进行练习。记录回归方程式、相关系数R2 ;

2.用jupyter编程(不借助第三方库),用最小二乘法,重做第1题;
3.用jupyter编程,借助skleran,重做第1题。

二、任务过程

1.数据分析

20:

线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_线性回归,第1张

200:

线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_python_02,第2张

2000:

线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_机器学习_03,第3张

2.用jupyter编程

输入python最小二乘法源代码

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
points = np.genfromtxt("D:/wh.csv",delimiter=",")
#将wh.csv文件中的数据赋值给points
#将points中的数据分别赋给x,y,求回归方程y=ax+b
x=points[0:20,1];
y=points[0:20,0];
#根据自己需要使用数据的个数更改[]中的值
pccs = np.corrcoef(x, y)
c,d=pccs
e,f=c
x_mean = np.mean(x)
y_mean = np.mean(y)
xsize = x.size
zi = (x * y).sum() - xsize * x_mean *y_mean
mu = (x ** 2).sum() - xsize * x_mean ** 2
a = zi / mu
b = y_mean - a * x_mean
a = np.around(a,decimals=2)
b = np.around(b,decimals=2)
print(f'回归线方程:y = {a}x + {b}')
print(f'相关系数为{f}')
#使用第三方库skleran画出拟合曲线
y1 = a*x + b
plt.scatter(x,y)
plt.plot(x,y1,c='r')


线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_线性回归_04,第4张

线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_sklearn_05,第5张

得出线性回归方程为y=0.08x+58.15,相关系数R²为0.5704。

线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_线性回归r2在线计算_06,第6张

线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_线性回归_07,第7张

得出线性回归方程为y=0.09x+56.46,相关系数R²为0.5567。

线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_机器学习_08,第8张

线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_sklearn_09,第9张

得出线性回归方程为y=0.08x+57.33,相关系数R²为0.4982。

3.用jupyter编程,借助skleran
from sklearn import linear_model        #表示,可以调用sklearn中的linear_model模块进行线性回归。
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
data = np.loadtxt(open("D:wh.csv","rb"),delimiter=",",skiprows=0)
data1=data[0:20]#根据所取数据更改值
x=[example[1] for example in data1]
y=[example[0] for example in data1]
pccs = np.corrcoef(x, y)
c,d=pccs
e,f=c
X = np.asarray(x).reshape(-1, 1)
Y = np.asarray(y).reshape(-1, 1)
model = linear_model.LinearRegression()
model.fit(X,Y)
b=model.intercept_[0] #截距
a=model.coef_[0]#线性模型的系数
a1=a[0]
print(f'回归线方程:y = {a1}x + {b}')
print(f'相关系数为{f}')
y1 = a1*X + b
plt.scatter(X,Y)
plt.plot(x,y1,c='r')


线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_sklearn_10,第10张

线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_机器学习_11,第11张

得出线性回归方程为y = 0.0788x + 58.1512,相关系数R²为0.5704。

线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_python_12,第12张

线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_线性回归_13,第13张

得出线性回归方程为y = 0.0903x + 56.4574,相关系数R²为0.5567。

线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_线性回归r2在线计算_14,第14张

线性回归r2在线计算 线性回归方程r2计算器,线性回归r2在线计算 线性回归方程r2计算器_机器学习_15,第15张

得出线性回归方程为y = 0.0840x + 57.3344,相关系数R²为0.4982。

三、总结

计算结果大致相同,但在利用jupter计算时,如果需要修改组数时,只需要修改一下值就能得到,比excel更加方便。



https://www.xamrdz.com/lan/5wz1962455.html

相关文章: