python数据挖掘笔记】十八.线性回归及多项式回归分析四个案例分享

python数据挖掘课程】十八.线性回归及多项式回归分析四个案例分享
#2018-03-30 18:24:56 March Friday the 13 week, the 089 day SZ SSMR1.线性回归预测Pizza价格案例2.线性回归分析波士顿房价案例3.随机数据集一元线性回归分析和三维回归分析案例4.Pizza数据集一元线性回归和多元线性回归分析一. 线性回归预测Pizza价格案例
1.数据集介绍本章主要使用线性回归预测Pizza的价格，由于直径大小不同的Pizza，其价格也是不同的
2.线性回归分析线性回归基础步骤主要包括：1.导入数据集，采用列表的形式定义直接和价格两列数据。2.调用Scikit-learn机器学习包中线性回归模型。3.调用fit()函数对直径和价格进行训练。4.调用predice()函数对数据集进行预测。5.对线性回归算法进行评价。6.可视化分析并绘制相关图形，直观的呈现算法模型的结果。
线性回归分析的完整代码如下：
# -*- coding: utf-8 -*-
from sklearn.linear_model import LinearRegression#数据集 直径、价格
x = [[5],[6],[7],[8],[10],[11],[13],[14],[16],[18]]
y = [[6],[7.5],[8.6],[9],[12],[13.6],[15.8],[18.5],[19.2],[20]]clf = LinearRegression()
clf.fit(x,y)                #fit()函数用来分析模型参数
pre = clf.predict([12][0])  #predict()通过fit()算出模型参数构成的模型，对解释变量进行预测获得其结果
print(u'预测直径为12英寸的价格: $%.2f' % pre)3.可视化分析接下来需要对数据集进行可视化分析，首先需要调用Matplotlib扩展包绘制直径和价格的散点图，代码如下：
# -*- coding: utf-8 -*-
from sklearn.linear_model import LinearRegression#数据集 直径、价格
x = [[5],[6],[7],[8],[10],[11],[13],[14],[16],[18]]
y = [[6],[7.5],[8.6],[9],[12],[13.6],[15.8],[18.5],[19.2],[20]]clf = LinearRegression()
clf.fit(x,y)                #fit()函数用来分析模型参数
pre = clf.predict([12][0])  #predict()通过fit()算出模型参数构成的模型，对解释变量进行预测获得其结果
print(u'预测直径为12英寸的价格: $%.2f' % pre)x2 = [[0],[12],[15],[25]]
y2 = clf.predict(x2)
print(y2)
import matplotlib.pyplot as plt
plt.figure()
plt.rcParams['font.sans-serif'] = ['SimHei'] #指定默认字体
plt.title(u"线性回归预测Pizza直径和价格")
plt.xlabel(u"x")
plt.ylabel(u"price")
plt.axis([0,25,0,25])
plt.scatter(x,y,marker="s",s=20) #画散点图
plt.plot(x2,y2,"g-") #画直线
plt.show()二. 线性回归分析波士顿房价案例
Sklearn机器学习包中已经自带了该数据集，故直接引用该数据集，获取其中某两列数据.在做数据分析过程中，通常需要将数据集划分为训练集和预测集，这里作者将前406行作为训练集，最后100行作为预测集，划分代码如下：
# -*- coding: utf-8 -*-
#导入数据集boston
from sklearn.datasets import load_boston
import numpy as np
boston = load_boston()
print(boston.data.shape, boston.target.shape)
print (boston.data[10])
print ("boston.data is :",len(boston.data))print (boston.target)
print ("boston.target is:",len(boston.target))#划分数据集
boston_temp = boston.data[:, np.newaxis, 5]
x_train = boston_temp[:-100]      #训练样本
x_test = boston_temp[-100:]       #测试样本 后100行
y_train = boston.target[:-100]    #训练标记
y_test = boston.target[-100:]     #预测对比标记2.线性回归分析
线性回归过程主要如下：1.导入数据集，波士顿房价数据。2.划分数据集为训练集和测试集，采用406和100的比例。3.导入线性回归模型LinearRegression。4.对训练集进行训练操作，同时预测数据集结果。5.可视化画图分析及结果评估。线性回归分析波士顿房价数据集的代码如下：
# -*- coding: utf-8 -*-
#导入数据集boston
from sklearn.datasets import load_boston
import numpy as np
boston = load_boston()
print(boston.data.shape, boston.target.shape)
print (boston.data[10])
print ("boston.data is :",len(boston.data))#print (boston.target)
print ("boston.target is:",len(boston.target))
#划分数据集
boston_temp = boston.data[:, np.newaxis, 5]
x_train = boston_temp[:-100]      #训练样本
x_test = boston_temp[-100:]       #测试样本 后100行
y_train = boston.target[:-100]    #训练标记
y_test = boston.target[-100:]     #预测对比标记from sklearn.linear_model import LinearRegression
clf = LinearRegression()
clf.fit(x_train, y_train)  #算法评估
pre = clf.predict(x_test)
print (u"预测结果", pre)
print (u"真实结果", y_test)
cost = np.mean(y_test-pre)**2
print (u'平方和计算:', cost)
print (u'系数', clf.coef_   )
print (u'截距', clf.intercept_)
print (u'方差', clf.score(x_test, y_test) )#绘图分析
import matplotlib.pyplot  as plt
plt.title(u'LinearRegression Boston')
plt.xlabel(u'x')
plt.ylabel(u'price')
plt.scatter(x_test, y_test, color = 'black')
plt.plot(x_test, clf.predict(x_test), color='blue', linewidth = 3)
'''
for idx, m in enumerate(x_test):  plt.plot([m, m],[y_test[idx],pre[idx]], 'r-')    '''
plt.show()   三. 随机数据集线性回归分析和三维回归分析案例1.随机数据集
随机数生成主要调用Numpy扩展包中的random函数或arange，调用函数arange(0,50,0.2)实现，随机生成0到50个数据，其间隔为0.2。
得到X数据集之后，作者随机定义一个函数绘制对应的Y坐标，再调用Matplotlib扩展包可以对数据集进行可视化分析，并绘制相关的散点图。核心代码如下：
import numpy as np
import math
X =  np.arange(0,50,0.2)
print (X)
xArr = []
yArr = []
for n in X:xArr.append(n)y = 0.7*n + np.random.uniform(0,1)*math.sin(n)*2 - 3yArr.append(y)import matplotlib.pyplot as plt
plt.plot(xArr, yArr, 'go')plt.show()接下来需要调用Sklearn机器学习扩展包相关函数进行线性回归分析。2.线性回归
完整代码如下：
import numpy as np
import math
X =  np.arange(0,50,0.2)
print (X)
xArr = []
yArr = []
for n in X:xArr.append(n)y = 0.7*n + np.random.uniform(0,1)*math.sin(n)*2 - 3yArr.append(y)
'''
import matplotlib.pyplot as plt
plt.plot(xArr, yArr, '*')plt.show()
'''#线性回归分析
from sklearn.linear_model import LinearRegression
clf = LinearRegression()
print (clf)
X =  np.array(X).reshape((len(X),1))     #list列表转化为数组
print('X is:',X)
yArr = np.array(yArr).reshape((len(X),1))
clf.fit(X,yArr) #输入为数组
pre = clf.predict(X)import matplotlib.pyplot as plt
plt.plot(X, yArr, 'go')
plt.plot(X, pre, 'r', linewidth=3)
plt.show()补充一段3D绘制的代码，随机坐标生成后，需要调用mpl_toolkits.mplot3d子类中Axes3D类生成对应的3D图形。
代码：
# -*- coding: utf-8 -*-
import numpy as np
from sklearn import linear_model
from mpl_toolkits.mplot3d import Axes3D   #3D画图模块
import matplotlib.pyplot as plt
import math#linspace:开始值、终值和元素个数创建表示等差数列的一维数组
xx, yy = np.meshgrid(np.linspace(0,10,20), np.linspace(0,100,20))
print("np.linspace(0,10,20 is :",np.linspace(0,10,20))   #列表就是方括号里面有很多空格分开的数据，数组就是方括号中有很多方括号包含着的数据
zz = 2.4 * xx + 4.5 * yy + np.random.randint(0,100,(20,20))
#构建成特征、值的形式
X, Z = np.column_stack((xx.flatten(),yy.flatten())), zz.flatten()
print("xx.flatten() is:",xx.flatten())
#线性回归分析
regr = linear_model.LinearRegression()
regr.fit(X, Z)
#预测的一个特征
x_test = np.array([[15.7, 91.6]])
print (regr.predict(x_test))
#画图可视化分析
fig = plt.figure()
ax = fig.gca(projection='3d')
ax.scatter(xx, yy, zz) #真实点
#拟合的平面
ax.plot_wireframe(xx, yy, regr.predict(X).reshape(20,20))
ax.plot_surface(xx, yy, regr.predict(X).reshape(20,20), alpha=0.3)
plt.show()四. Pizza数据集一元和多元线性回归分析
from sklearn.linear_model import LinearRegression#数据集 直径、价格
x = [[5],[6],[7],[8],[10],[11],[13],[14],[16],[18]]
y = [[6],[7.5],[8.6],[9],[12],[13.6],[15.8],[18.5],[19.2],[20]]clf = LinearRegression()
clf.fit(x,y)
pre = clf.predict([12])[0]
print(u'预测直径为12英寸的价格: $%.2f' % pre)
x2 = [[0],[12],[15],[25]]
y2 = clf.predict(x2)import matplotlib.pyplot as plt
import numpy as npplt.figure()
plt.axis([0,25,0,25])
plt.scatter(x,y,marker="s",s=20)
plt.plot(x2,y2,"g-")#导入多项式回归模型
from sklearn.preprocessing import PolynomialFeatures
xx = np.linspace(0,25,100) #0到25等差数列
quadratic_featurizer = PolynomialFeatures(degree = 2) #实例化一个二次多项式
x_train_quadratic = quadratic_featurizer.fit_transform(x) #用二次多项式多样本x做变换
X_test_quadratic = quadratic_featurizer.transform(x2)
regressor_quadratic = LinearRegression()
regressor_quadratic.fit(x_train_quadratic, y)
xx_quadratic = quadratic_featurizer.transform(xx.reshape(xx.shape[0], 1))# 把训练好X值的多项式特征实例应用到一系列点上,形成矩阵plt.plot(xx, regressor_quadratic.predict(xx_quadratic),label="$y = ax^2 + bx + c$",linewidth=2,color="r")
plt.legend()
plt.show()

python数据挖掘笔记】十八.线性回归及多项式回归分析四个案例分享相关推荐

【python数据挖掘课程】十八.线性回归及多项式回归分析四个案例分享
这是<Python数据挖掘课程>系列文章,也是我这学期大数据金融学院上课的部分内容.本文主要讲述和分享线性回归作业中,学生们做得比较好的四个案例,经过我修改后供大家学习,内容包括: ...
python数据挖掘笔记】二十.KNN最近邻分类算法分析详解及平衡秤TXT数据集读取
#2018-04-06 07:57:00 April Friday the 14 week, the 096 day SZ SSMR python数据挖掘笔记]二十.KNN最近邻分类算法分析详解及平衡 ...
python3.4学习笔记(十八) pycharm 安装使用、注册码、显示行号和字体大小等常用设置...
python3.4学习笔记(十八) pycharm 安装使用.注册码.显示行号和字体大小等常用设置 Download JetBrains Python IDE :: PyCharm http://ww ...
Python数据挖掘笔记七 .PCA降维操作及subplot子图绘制
Python数据挖掘笔记七 .PCA降维操作及subplot子图绘制这篇文章主要介绍四个知识点,也是我那节课讲课的内容.1.PCA降维操作:2.Python中Sklearn的PCA扩展包:3.Ma ...
windows内核开发学习笔记十八：IRP 处理的标准模式
windows内核开发学习笔记十八:IRP 处理的标准模式在 Windows 内核中的请求基本上是通过 I/O Request Packet 完成的. I/O manager ---> Dis ...
Polyworks脚本开发学习笔记(十八)-用SDK开发Polyworks插件
Polyworks脚本开发学习笔记(十八)-用SDK开发Polyworks插件插件是由PolyWorks加载的动态链接库(DLL文件),然后查询Polyworks模块,以确定它们具有哪些功能,提供给 ...
python图像处理笔记-十二-图像聚类
python图像处理笔记-十二-图像聚类学习内容这一章主要在学习的是聚类算法以及其在图像算法中的应用,主要学习的聚类方法有: KMeans 层次聚类谱聚类并将使用他们对字母数据及进行聚类处理, ...
STM32复习笔记(十八) —— 高级定时器(输出比较)
STM32复习笔记(十八) -- 高级定时器(输出比较) 1.配置步骤 1)选择计数器时钟 (内部,外部,预分频器) 2)将相应的数据写入TIMx_ARR and TIMx_CCRx寄存器中 3)可设 ...
【Python数据挖掘课程】五.线性回归知识及预测糖尿病实例
今天主要讲述的内容是关于一元线性回归的知识,Python实现,包括以下内容: 1.机器学习常用数据集介绍 2.什么是线性回顾 3.LinearRegre ...

python数据挖掘笔记】十八.线性回归及多项式回归分析四个案例分享

python数据挖掘笔记】十八.线性回归及多项式回归分析四个案例分享相关推荐

最新文章

热门文章