体重预测[线性回归]
2024-05-15 05:39:33
在人们的日常生活中,体重偏高与偏低均是身体出现亚健康的体现,也是身体部分器官发病的前兆。影响体重的因素较多(如体内激素水平、饮食情况、心情原因等),而且与身高具有直接的相关性。因而,如何在指定身高下评估体重是否达标进而让人们提前预知身体状况具有一定实际意义。
训练数据 | 测试数据 | ||||
---|---|---|---|---|---|
序号 | 身高(米) | 体重(千克) | 序号 | 身高(米) | 体重(千克) |
1 | 0.86 | 12 | 1 | 0.83 | 11 |
2 | 0.96 | 15 | 2 | 1.08 | 17 |
3 | 1.12 | 20 | 3 | 1.26 | 27 |
4 | 1.35 | 35 | 4 | 1.51 | 41 |
5 | 1.55 | 48 | 5 | 1.60 | 50 |
6 | 1.63 | 51 | 6 | 1.67 | 64 |
7 | 1.71 | 59 | 7 | 1.75 | 66 |
8 | 1.85 | 75 | 8 | 1.90 | 89 |
代码:
'''一、问题描述:根据表1所示训练数据构建线性回归模型并求取测试数据的预测精度'''import numpy as npimport matplotlib.pyplot as pltfrom sklearn.linear_model import LinearRegressionx_train=np.array([[0.86],[0.96],[1.12],[1.35],[1.55],[1.63],[1.71],[1.85]])y_train=np.array([[12],[15],[20],[35],[48],[51],[59],[75]])x_test=[[0.83],[1.08],[1.26],[1.51],[1.60],[1.67],[1.75],[1.90]]y_test=[[11],[17],[27],[41],[50],[64],[66],[89]]'''二、数据处理:数据归一化处理'''X_train=(x_train-np.min(x_train))/(np.max(x_train)-np.min(x_train))Y_train=(y_train-np.min(y_train))/(np.max(y_train)-np.min(y_train))X_test=(x_test-np.min(x_test))/(np.max(x_test)-np.min(x_test))Y_test=(y_test-np.min(y_test))/(np.max(y_test)-np.min(y_test))'''======================================================================''''''三、利用线性回归构建模型''''''归一化'''L=LinearRegression(fit_intercept=True)L.fit(X_train,Y_train)ys=L.score(X_test,Y_test)print(ys)'''未归一化'''L.fit(x_train,y_train)yn=L.score(x_test,y_test)print(yn)'''====================================================================='''#精度对比图plt.figure(1)plt.xlim(0, 1)plt.ylim(0, 1)plt.xlabel("DataClass")plt.ylabel("TestAccuracy")Data_list=['Normalized','Not Normalized']xlis=[0.3,0.7]ylis=[ys,yn]plt.bar(xlis,ylis,width=0.3,tick_label=Data_list,color=['g','b'])for i in range(len(xlis)):plt.text(xlis[i], ylis[i],format(ylis[i],'.2f'))plt.show()'''======================================================================'''#身高体重预测图print("L的截距为:",L.intercept_[0])print("L的斜率为:",L.coef_[0][0])b=L.intercept_[0]k=L.coef_[0][0]Y_fit=k*np.array(x_test)+bplt.figure(2)plt.xlabel("height")plt.ylabel("weight")plt.scatter(x_test,Y_fit,color='black',label='fit')plt.plot(x_test,Y_fit,color='red',label='fit_line')plt.scatter(x_test,y_test,color='y',label='test')plt.grid(True)plt.legend(loc='upper left')plt.show()'''四、实验分析:体重数据随身高数据的增大而增大,归一化数据的测试精度比未归一化数据测试精度高'''
体重预测[线性回归]相关推荐
- lstm 变长序列_基于变长时间间隔LSTM方法的胎儿异常体重预测
1 介绍 预测胎儿体重是产前监护的重要内容, 是医生对孕妇进行临床处理的重要依据. 近年来研究显示, 低体重儿的存活率和扛感染能力相对低下[, 并且与低智商有密切联系[. 而巨大儿则会引起胎儿宫内窘迫 ...
- GBDT实例:根据年龄体重预测身高
一.GBDT算法流程: 二.预测身高 已知四组包含年龄.体重.身高的数据,根据年龄.体重预测身高. 测试数据如下: 1.训练阶段: 参数设置:学习率:learning_rate=0.1,迭代次数:n_ ...
- 时间序列预测——线性回归(上下界、异常检测),异常检测时候历史数据的输入选择是关键,使用过去历史值增加模型健壮性...
data download: https://github.com/nicolasmiller/pyculiarity/blob/master/tests/raw_data.csv 数据集样子: y ...
- 使用Excel和jupyter拟合身高体重数据集线性回归模型
文章目录 一.使用Excel拟合线性回归模型 1.20组数据拟合 2.200组数据拟合 3.2000组数据拟合 二.用jupyter编程(不借助第三方库),用最小二乘法 3.20组数据拟合 2.200 ...
- 股价SP预测——线性回归
Dataset *本文的数据集是美国股票市场指数sp500.csv,这个指数显示了市整个股票市场的情况,数据集包含了从2005年到2015年每天收盘指数值.S&P指标衡量了美国股票市场的整体情 ...
- 前端人工智能-身高体重预测
<script src="js/tf.js"> </script> <script src="js/vis.js">< ...
- 2.24波斯顿房价预测线性回归
- 2月24作业波斯顿房价预测线性回归
- 实验1 线性回归 实操项目1——糖尿病情预测
线性回归 实操项目1--糖尿病情预测 线性回归 实操项目1--糖尿病情预测 实验要求: 一.加载糖尿病数据集diabetes,观察数据 二.基于线性回归对数据集进行分析 三.考察每个特征值与结果之间的 ...
最新文章
- usb-key登录windows+远程桌面
- 个人小应用服务器安装搭建,HP 360p Gen9 使用winpe安装centos[一]
- 如何授予邮箱的代理发送权限
- Spring Boot 如何自定义Starter,你知道吗?
- 关于oracle sql语句查询时表名和字段名要加双引号的问题详解
- Intent常用使用汇总
- activemq-messages-dequeud-but-not-consumed
- 数学系列:数学在计算机图形学中的应用
- Untiy的阿拉伯文本适配
- 如何把软件彻底卸载的硬核方法!
- 迅雷7 down.php,迅雷云点播放器(KCPlayer5000)
- 内存分析工具LeakCanary是如何工作的
- windows10+python3.7.0(anaconda)+MeCab安装总结
- 结合计算机专业与数学的论文,数学计算机论文,关于计算机技术基础数学结合模式相关参考文献资料-免费论文范文...
- windows远程连接服务器命令
- 【共享服务】nfs常见问题处理
- Matlab/Python nc格式小时数据转日期
- ztree的使用demo
- win10如何添加开机自己启动软件
- Shell开发环境vim编辑器的配置文件vimrc的参数优化
热门文章
- python德巴赫猜想_python实现哥德巴赫猜想(任何大于或者等于6的整数都可以写成2个素数之和)...
- 后台管理系统——权限管理
- 组合图形-第13届蓝桥杯Scratch省赛1真题第4题
- ORDER: OpenWorld Object Detection on Road Scenes
- 正则表达式--文本处理神器
- PostgreSQL插入大量数据:pg_testgen插件
- 安卓沉浸式状态栏_《宫廷秘传》今日安卓计费删档开测
- UEFI开发探索98 – 硬盘访问Diskdump
- Android | 音乐播放器(版本4)
- paddledet 训练旋转目标检测 ppyoloe-r 训练自己的数据集