标签：... Python 举例 lr 线性 array x1 回归系数
在发电场中电力输出（PE）与温度（AT）、压力（V）、湿度（AP）、压强（RH）有关。
（1）利用线性回归分析命令，求出其之间的线性回归关系数向量（包括常数项）和拟合优度
（2）AT=28.4,V=50.6,AP=1011.9,RH=80.54 预测PE值
1、读取数据，确定自变量x、因变量y
import pandas as pd
data = pd.read_excel('发电场数据.xlsx')
data
| AT | V | AP | RH | PE | |
|---|---|---|---|---|---|
| 0 | 14.96 | 41.76 | 1024.07 | 73.17 | 463.26 |
| 1 | 25.18 | 62.96 | 1020.04 | 59.08 | 444.37 |
| 2 | 5.11 | 39.40 | 1012.16 | 92.14 | 488.56 |
| 3 | 20.86 | 57.32 | 1010.24 | 76.64 | 446.48 |
| 4 | 10.82 | 37.50 | 1009.23 | 96.62 | 473.90 |
| ... | ... | ... | ... | ... | ... |
| 9563 | 16.65 | 49.69 | 1014.01 | 91.00 | 460.03 |
| 9564 | 13.19 | 39.18 | 1023.67 | 66.78 | 469.62 |
| 9565 | 31.32 | 74.33 | 1012.92 | 36.48 | 429.57 |
| 9566 | 24.48 | 69.45 | 1013.86 | 62.39 | 435.74 |
| 9567 | 21.60 | 62.52 | 1017.23 | 67.87 | 453.28 |
9568 rows × 5 columns
#dataframe.values将Dataframe的表格型数据转换成数组
x = data.iloc[:,0:4].values
x
array([[ 14.96, 41.76, 1024.07, 73.17],
[ 25.18, 62.96, 1020.04, 59.08],
[ 5.11, 39.4 , 1012.16, 92.14],
...,
[ 31.32, 74.33, 1012.92, 36.48],
[ 24.48, 69.45, 1013.86, 62.39],
[ 21.6 , 62.52, 1017.23, 67.87]])
y = data.iloc[:,4].values
y
array([463.26, 444.37, 488.56, ..., 429.57, 435.74, 453.28])
2、线性回归分析
#导入线性回归模块（LR）
from sklearn.linear_model import LinearRegression as LR
#利用LR创建线性回归对象lr
lr = LR()
#调用lr对象中的fit()方法，对数据进行拟合训练
lr.fit(x,y)
LinearRegression()
#调用lr对象中的score()方法，返回其拟合优度（判定系数）,观察线性关系是否显著
Slr = lr.score(x,y) #判定系数R²
Slr
0.9286960898122536
#取lr对象中的coef_、intercept_属性,返回x对象的回归系数和回归系数常数项
c_x = lr.coef_
print('回归系数:{}'.format(c_x))
c_b = lr.intercept_
print('回归系数常数项:{}'.format(c_b))
回归系数:[-1.97751311 -0.23391642 0.06208294 -0.1580541 ]
回归系数常数项:454.60927431531076
3、利用线性回归模型进行预测
#可以利用lr对象中的predict()方法进行预测
import numpy as np
x1 = np.array([28.4,50.6,1011.9,80.54])
x1
array([ 28.4 , 50.6 , 1011.9 , 80.54])
#升维
x1 = x1.reshape(1,4)
x1
array([[ 28.4 , 50.6 , 1011.9 , 80.54]])
R1 = lr.predict(x1)
R1
array([436.70378447])
#当然，也可以利用线性回归方程进行预测
r1 = x1*c_x
r1
array([[-56.16137223, -11.83617098, 62.82173081, -12.72967745]])
r1.sum()
-17.905489848159824
R2 = r1.sum()+c_b
R2
436.7037844671509
标签：...,Python,举例,lr,线性,array,x1,回归系数 来源： https://www.cnblogs.com/AubeLiang/p/16155843.html
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。