标签：身高体重 square jupyter weight average 回归方程 len 点击 array
目录
用excel中数据分析功能做线性回归练习
1.打开excel，选择左上角文件，选择打开，点击浏览，选择要打开用的数据文件
2.点击文件，选择更多，点击选项，点击加载项，点击转到
3.勾选分析数据库，点击确定
5.选择上方数据，点击最右侧的数据分析
6.勾选回归，点击确定，选择x轴和y轴范围，勾选残差中的线性拟合图，点击确定
7.在生成的图像中点击右上角的加号，点击趋势线，点击线性预测，点击确定，点击下方显示公式，得到前20行的线性回归方程
8.同样方式得到前200，2000行数据的线性方程
用jupyter编程（不借助第三方库），用最小二乘法
1.打开命令框，输入jupyter notebook
2.在弹出的网页界面中右上角选择new，选择python3
3.在界面中输入以下代码
import pandas as pd
def read_file(raw):#根据行数来读取文件
df = pd.read_excel('D:/guoqing001/weights_heights(身高-体重数据集).xls',sheet_name ='weights_heights')
height=df.iloc[0:raw,1:2].values
weight=df.iloc[0:raw,2:3].values
return height,weight
def array_to_list(array):#将数组转化为列表
array=array.tolist()
for i in range(0,len(array)):
array[i]=array[i][0]
return array
def unary_linear_regression(x,y):#一元线性回归，x,y都是列表类型
xi_multiply_yi=0
xi_square=0;
x_average=0;
y_average=0;
f=x
for i in range(0,len(x)):
xi_multiply_yi+=x[i]*y[i]
x_average+=x[i]
y_average+=y[i]
xi_square+=x[i]*x[i]
x_average=x_average/len(x)
y_average=y_average/len(x)
b=(xi_multiply_yi-len(x)*x_average*y_average)/(xi_square-len(x)*x_average*x_average)
a=y_average-b*x_average
for i in range(0,len(x)):
f[i]=b*x[i]+a
R_square=get_coefficient_of_determination(f,y,y_average)
print('R_square='+str(R_square)+'\n'+'a='+str(a)+' b='+str(b))
def get_coefficient_of_determination(f,y,y_average):#传输计算出的值f和x,y的真实值还有平均值y_average，获取决定系数，也就是R²
res=0
tot=0
for i in range(0,len(y)):
res+=(y[i]-f[i])*(y[i]-f[i])
tot+=(y[i]-y_average)*(y[i]-y_average)
R_square=1-res/tot
return R_square
raw=[20,200,2000,20000]
for i in raw:
print('数据组数为'+str(i)+":")
height,weight=read_file(i)
height=array_to_list(height)
weight=array_to_list(weight)
unary_linear_regression(height,weight)
3.此处测试了前20，200，2000，以及20000行数据，点击运行得到结果
4.对比可知与excel做出来的结果几乎一致
用jupyter编程，借助skleran
同样方式在点击python3后界面中输入以下代码
总结
通过此次实验，我初步掌握了最小二乘法来求线性方程的方法，用调用包的方式做要记住相应的函数，自己写则要记住相应的公式
标签：身高体重,square,jupyter,weight,average,回归方程,len,点击,array 来源： https://blog.csdn.net/louderIII/article/details/120576934
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。