文章目录

前言
往期文章
1 多元回归
- 1.1 选取数据
- 1.2 构建训练集与测试集，并构建模型
- 1.3 模型预测
- 1.4 模型评估
2 logistic回归
- 2.1 鸢尾花数据集
- 2.2 绘制散点图
- 2.3 逻辑回归分析
结语

前言

Hello！小伙伴！
非常感谢您阅读海轰的文章，倘若文中有错误的地方，欢迎您指出～

自我介绍 ଘ(੭ˊᵕˋ)੭
昵称：海轰
标签：程序猿｜C++选手｜学生
简介：因C语言结识编程，随后转入计算机专业，有幸拿过一些国奖、省奖…已保研。目前正在学习C++/Linux/Python
学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语！

初学Python 小白阶段
文章仅作为自己的学习笔记用于知识体系建立以及复习
题不在多学一题懂一题
知其然知其所以然！

往期文章

Python数学建模系列（一）：规划问题之线性规划

Python数学建模系列（二）：规划问题之整数规划

Python数学建模系列（三）：规划问题之非线性规划

Python数学建模系列（四）：数值逼近

Python数学建模系列（五）：微分方程

Python数学建模系列（六）：蒙特卡洛算法

Python数学建模系列（七）：差分

Python数学建模系列（八）：图论

1 多元回归

注：这里实在没有找到数据集
引用于：https://blog.csdn.net/HHTNAN/article/details/78843722?utm_source=blogxgwz7
以下代码未验证

1.1 选取数据

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import matplotlib as mpl   #显示中文
def mul_lr():pd_data=pd.read_excel('../profile/test.xlsx')print('pd_data.head(10)=\n{}'.format(pd_data.head(10)))
font = {"family": "Microsoft YaHei"
}
matplotlib.rc("font", **font)
mpl.rcParams['axes.unicode_minus']=False
sns.pairplot(pd_data, x_vars=['中证500','泸深300','上证50','上证180'], y_vars='上证指数',kind="reg", size=5, aspect=0.7)
plt.show()

1.2 构建训练集与测试集，并构建模型

from sklearn.model_selection import train_test_split #这里是引用了交叉验证
from sklearn.linear_model import LinearRegression  #线性回归
from sklearn import metrics
import numpy as np
import matplotlib.pyplot as plt
def mul_lr():   #续前面代码#剔除日期数据，一般没有这列可不执行，选取以下数据http://blog.csdn.net/chixujohnny/article/details/51095817X=pd_data.loc[:,('中证500','泸深300','上证50','上证180')]y=pd_data.loc[:,'上证指数']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)# 训练后模型截距print (linreg.intercept_)# 训练后模型权重（特征个数无变化）print (linreg.coef_)

1.3 模型预测

#预测
y_pred = linreg.predict(X_test)
print (y_pred) #10个变量的预测结果

1.4 模型评估

    #评价#(1) 评价测度# 对于分类问题，评价测度是准确率，但这种方法不适用于回归问题。我们使用针对连续数值的评价测度(evaluation metrics)。# 这里介绍3种常用的针对线性回归的测度。# 1)平均绝对误差(Mean Absolute Error, MAE)# (2)均方误差(Mean Squared Error, MSE)# (3)均方根误差(Root Mean Squared Error, RMSE)# 这里我使用RMES。sum_mean=0for i in range(len(y_pred)):sum_mean+=(y_pred[i]-y_test.values[i])**2sum_erro=np.sqrt(sum_mean/10)  #这个10是你测试级的数量# calculate RMSE by handprint ("RMSE by hand:",sum_erro)#做ROC曲线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") #显示图中的标签plt.xlabel("the number of sales")plt.ylabel('value of sales')plt.show()

2 logistic回归

2.1 鸢尾花数据集

鸢尾花有三个亚属，分别是山鸢尾（Iris-setosa）、变色鸢尾（Iris- versicolor）和维吉尼亚鸢尾（Iris-virginica）。

该数据集一共包含4个特征变量，1个类别变量。共有150个样本，iris是鸢尾植物，这里存储了其萼片和花瓣的长宽，共4个属性，鸢尾植物分三类。

2.2 绘制散点图

Demo代码

import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import load_iris
iris = load_iris()
#获取花卉两列数据集
DD = iris.data
X = [x[0] for x in DD]
Y = [x[1] for x in DD]
plt.scatter(X[:50], Y[:50], color='red', marker='o', label='setosa')
plt.scatter(X[50:100], Y[50:100], color='blue', marker='x', label='versicolor')
plt.scatter(X[100:], Y[100:],color='green', marker='+', label='Virginica')
plt.legend(loc=2) #左上角
plt.show()

运行结果

2.3 逻辑回归分析

Demo代码

from sklearn.linear_model import LogisticRegression
iris = load_iris()
X = iris.data[:, :2]   #获取花卉两列数据集
Y = iris.target
lr = LogisticRegression(C=1e5)
lr.fit(X,Y)
#meshgrid函数生成两个网格矩阵
h = .02
x_min, x_max = X[:, 0].min()-.5, X[:, 0].max()+.5
y_min, y_max = X[:, 1].min()-.5, X[:, 1].max()+.5
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z = lr.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.figure(1, figsize=(8,6))
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Paired)
plt.scatter(X[:50,0], X[:50,1], color='red',marker='o', label='setosa')
plt.scatter(X[50:100,0], X[50:100,1], color='blue', marker='x', label='versicolor')
plt.scatter(X[100:,0], X[100:,1], color='green', marker='s', label='Virginica')
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
plt.legend(loc=2)
plt.show()

运行结果

结语

学习来源：B站及其课堂PPT，对其中代码进行了复现

https://www.bilibili.com/video/BV12h411d7Dm
参考资料：https://blog.csdn.net/HHTNAN/article/details/78843722?utm_source=blogxgwz7

文章仅作为学习笔记，记录从0到1的一个过程

希望对您有所帮助，如有错误欢迎小伙伴指正～

Python数学建模系列（九）：回归相关推荐

Python数学建模系列（五）：微分方程
文章目录前言往期文章 1.微分方程分类 2.微分方程解析解 3.微分方程数值解 3.1 场线图与数值解 3.2 洛伦兹曲线与数值解 4.传染病模型模型一:SI-Model 模型二:SIS mod ...
Python数学建模系列（六）：蒙特卡洛算法
文章目录前言往期文章 1.蒙特卡洛算法样例1 样例2 样例3 2.三门问题 3.M*M豆问题结语前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出- ...
Python数学建模系列（八）：图论
文章目录前言往期文章 1 图论模型 - Dijkstra 样例1 2 图论模型-Floyd 样例2 3 机场航线设计 0.Airlines.csv数据 1.数据导入.观察变量 2.数据清洗 3.时 ...
Python数学建模系列（四）：数值逼近
文章目录前言往期文章 1. 一维插值 1.1 线性插值与样条插值(B-spline) 1.2 高阶样条插值 2. 二维插值 2.1 图像模糊处理--样条插值 2.2 二维插值的三维图 3. 最小 ...
Python数学建模系列（二）：规划问题之整数规划
文章目录前言整数规划例题方法一:分支定界法(使用scipy库) 方法二:使用pulp库进行求解结语前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出- ...
Python数据分析学习系列九绘图和可视化
Python数据分析学习系列九绘图和可视化资料转自(GitHub地址):https://github.com/wesm/pydata-book 有需要的朋友可以自行去github下载信息可视化 ...
【Python数学建模】SEIR传染病模型模型延伸-SEIDR模型（一），加入疫苗接种、政府管控、病毒变异等因素的影响
目录一. SEIR传染病模型二. SEIR模型的延伸--SEIDR模型三. 模型延伸--影响因素1:疫苗接种四. 模型延伸--影响因素2:政府管控五. 模型延伸--影响因素3:病毒变异写在 ...
python数学建模（二）线性规划2.实战(思路清晰\过程完整、详细)
文章目录 (一)简单陈述本文章的内容 (二)线性规划例题(实战) 2.1 实战题目 2.2 符号规定和基本假设 2.3 模型的分析 2.4 模型的建立 2.5 模型一的求解和分析 2.5.1 (代码) ...
python数学建模--绘图动态可视化图表
目录写在本博客的开篇关于matplotlib绘图的两种模式阻塞模式交互模式总结绘制动态图的例子二维折线图结果演示代码三维折线图结果演示代码三维散点图结果演示代码写在本博 ...
python可以用来数学建模吗_怎么用Python数学建模：python数据建模工具
怎么用Python数学建模 djcjfhfhhjdvjfhvfghhfgbdthhgdchfjfuivvh DSI方法在几何建模上的应用本节叙述如何应用DSI方法来与曲面S相联系的二维图形图3.1) ...

Python数学建模系列（九）：回归