标签：机器 df 2522% 修炼 数学 print import model DBS

---

目录：

 

 

 

 

---

 

第六章 线性回归：

1.1三种方法实现：

import numpy as np
import pandas as pd
from scipy import stats

df = pd.read_csv("DBS_SingDollar.csv")
# X = df[df.columns[0]]
# y = df[df.columns[1]]
X = df["DBS"]
Y = df["SGD"]
slope,intercept,r_value,p_value,std_err= stats.linregress(Y,X)
print(slope,intercept)

 1 import numpy as np
 2 import matplotlib.pyplot as plt
 3 import pandas as pd
 4 from sklearn import linear_model
 5 
 6 df_DBS = pd.read_csv("DBS_SingDollar.csv")
 7 model = linear_model.LinearRegression()
 8 
 9 X = df_DBS['DBS']
10 Y = df_DBS['SGD']
11 
12 X = np.array(X).reshape(-1,1)
13 model.fit(X,Y)
14 Y_predict = model.predict(X)
15 print(Y_predict)
16 
17 plt.scatter(X,Y,color = (0,0,0))
18 
19 plt.plot(X,Y_predict,color = "blue",linewidth = 2)
20 plt.xlabel("  ",fontsize = 16)
21 plt.ylabel("  ",fontsize = 16)
22 plt.show()

import pandas as pd
df = pd.read_csv("DBS_SingDollar.csv")
#print(dir(pd))
X = df.loc[:,["SGD"]]
Y = df.loc[:,["DBS"]]
from sklearn import linear_model
model = linear_model.LinearRegression()
model.fit(X,Y)
a = model.coef_
b = model.intercept_
a = float(a)
b = float(b)
print("the output of the trained model is")
print("Y = ",a,"*X + ",b)

pred = model.predict(X)
print(pred)

#rmse
from sklearn.metrics import mean_squared_error
rmse = mean_squared_error(Y,pred)**0.5
print(rmse)

1.2 相关链接：

python中loc函数的用法：

https://blog.csdn.net/weixin_29288653/article/details/113500824

python中 .reshape 的用法：reshape(1,-1)：

https://blog.csdn.net/qq_44391957/article/details/120090486?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165854506016782390589615%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=165854506016782390589615&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-120090486-null-null.142^v33^pc_search_v2,185^v2^control&utm_term=X%20%3D%20np.array%28X%29.reshape%28-1%2C1%29&spm=1018.2226.3001.4187

2.1 普通最小二乘法的计算：

 

 

同时：

 

 

 

2.2关于MSE RMSE MAE R-Squared（主要看前两个）：

https://blog.csdn.net/lch551218/article/details/113573931?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165854608116781683916161%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=165854608116781683916161&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~rank_v31_ecpm-2-113573931-null-null.142^v33^pc_search_v2,185^v2^control&utm_term=MAE%E3%80%81R-Squared&spm=1018.2226.3001.4187

2.3 线性回归模型的基本假定：

 

 

 

 

 6.4之后暂时没看，需要大把时间。

 

---

 （未完待续，暂时不看这本书）

标签：机器,df,2522%,修炼,数学,print,import,model,DBS
来源： https://www.cnblogs.com/MrMKG/p/16511214.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。