多元线性回归

简介

多元线性回归使用在自变量和因变量有逻辑相关性的情况中。在实际应用中，多元线性回归经常用于探索和解释变量之间的复杂关系，例如经济学、社会科学和自然科学等领域。它提供了一种统计工具来分析多个自变量对因变量的影响，并帮助研究人员做出预测和决策。

使用的是sklearn库中的LinearRegression。LinearRegression 是一个线性回归模型，常用于预测连续型变量的值。它基于最小二乘法，通过拟合一个线性函数来建立特征与目标变量之间的关系。你可以使用该模型来进行回归分析和预测。

要使用 LinearRegression 模型，你需要导入适当的库，并且准备好特征和目标变量的数据。通常，你会将数据分成训练集和测试集，然后使用训练集来训练模型，再使用测试集来评估模型的性能。

源代码

import pandas as pd
import numpy as np
import xlrd
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
def readDataFile(readPath):  # readPath: 数据文件的地址和文件名try:if (readPath[-4:] == ".csv"):dfFile = pd.read_csv(readPath, header=0, sep=",")  # 间隔符为逗号，首行为标题行# dfFile = pd.read_csv(filePath, header=None, sep=",")  # sep: 间隔符，无标题行elif (readPath[-4:] == ".xls") or (readPath[-5:] == ".xlsx"):  # sheet_name 默认为 0dfFile = pd.read_excel(readPath,header=0)  # 首行为标题行# dfFile = pd.read_excel(filePath, header=None)  # 无标题行elif (readPath[-4:] == ".dat"):  # sep: 间隔符，header：首行是否为标题行dfFile = pd.read_table(readPath, sep=" ", header=0)  # 间隔符为空格，首行为标题行# dfFile = pd.read_table(filePath,sep=",",header=None) # 间隔符为逗号，无标题行else:print("不支持的文件格式。")except Exception as e:print("读取数据文件失败：{}".format(str(e)))returnreturn dfFiledf = readDataFile('p2_水生根茎类7日.xlsx')print(df)
model = LinearRegression()X = df[['销售单价','批发单价']].values
y = df['销售总量'].values
model.fit(X, y)
coefficients = model.coef_
intercept = model.intercept_# X_new = df.iloc[15:20,2:7].values
# y_pred = model.predict(X_new)print('回归系数:', coefficients)
print('截距:', intercept)
# print('预测结果:', y_pred)

输入的数据如下：

代码注释

1、readDataFile。这个函数是我常用的一个读取文件函数。非常方便，不管什么格式的数据，都能够一键读取到dataframe当中

2、model.fit(X, y) 是一个用于训练机器学习模型的方法。在这个方法中，X 是输入特征集，y 是对应的目标变量。通过调用 fit() 方法，模型会根据输入数据进行训练，并学习出适合预测目标变量的参数。

3、系数（coefficients）表示特征对目标变量的影响程度，而截距（intercept）则表示在所有特征都为零时的预测值。这段代码模型中获取系数和截距。

4、y_pred = model.predict(X_new)。y_pred是一个变量，它表示使用模型对输入数据X_new进行预测得到的输出结果。在这里，model是一个预训练好的模型，调用predict方法可以使用这个模型对新的输入数据进行预测。预测结果会保存在y_pred变量中。