Python多项式回归的实现方法
多项式回归是一种线性回归形式，其中自变量x和因变量y之间的关系被建模为n次多项式。多项式回归拟合x的值与y的相应条件均值之间的非线性关系，表示为E（y | x）
为什么多项式回归：
- 研究人员假设的某些关系是曲线的。显然，这种类型的案例将包括多项式项。
- 检查残差。如果我们尝试将线性模型拟合到曲线数据，则预测变量（X轴）上的残差（Y轴）的散点图将在中间具有许多正残差的斑块。因此，在这种情况下，这是不合适的。
- 通常的多元线性回归分析的假设是所有自变量都是独立的。在多项式回归模型中，不满足该假设。
多项式回归的使用：
这些基本上用于定义或描述非线性现象，例如：
- 组织生长速度。
- 疾病流行病的进展
- 湖泊沉积物中碳同位素的分布
回归分析的基本目标是根据自变量x的值来模拟因变量y的期望值。在简单回归中，我们使用以下等式 y = a + bx + e
这里y是因变量，a是y截距，b是斜率，e是误差率。
在许多情况下，这种线性模型将无法解决。例如，如果我们在这种情况下根据合成温度分析化学合成的产生，我们使用二次模型y = a + b1x + b2 ^ 2 + e
这里y是x的因变量，a是y截距，e是误差率。
通常，我们可以将其建模为第n个值。y = a + b1x + b2x ^ 2 + .... + bnx ^ n
由于回归函数在未知变量方面是线性的，因此这些模型从估计的角度来看是线性的。
因此，通过最小二乘技术，让我们计算y的响应值。
Python中的多项式回归:
要获得用于分析多项式回归的数据集，请单击此处。
步骤1：导入库和数据集
导入重要的库和我们用于执行多项式回归的数据集。
# Importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
# Importing the dataset
datas = pd.read_csv('data.csv')
datas
第2步：将数据集分为2个组件
将数据集划分为两个组件，即X和yX将包含1到2之间的列.y将包含2列。
X = datas.iloc[:, 1:2].values y = datas.iloc[:, 2].values
第3步：将线性回归拟合到数据集
拟合线性回归模型在两个组件上。
# Fitting Linear Regression to the dataset from sklearn.linear_model import LinearRegression lin = LinearRegression() lin.fit(X, y)
第4步：将多项式回归拟合到数据集
将多项式回归模型拟合到两个分量X和y上。
# Fitting Polynomial Regression to the dataset from sklearn.preprocessing import PolynomialFeatures poly = PolynomialFeatures(degree = 4) X_poly = poly.fit_transform(X) poly.fit(X_poly, y) lin2 = LinearRegression() lin2.fit(X_poly, y)
步骤5：在此步骤中，我们使用散点图可视化线性回归结果。
# Visualising the Linear Regression results
plt.scatter(X, y, color = 'blue')
plt.plot(X, lin.predict(X), color = 'red')
plt.title('Linear Regression')
plt.xlabel('Temperature')
plt.ylabel('Pressure')
plt.show()
步骤6：使用散点图可视化多项式回归结果。
# Visualising the Polynomial Regression results
plt.scatter(X, y, color = 'blue')
plt.plot(X, lin2.predict(poly.fit_transform(X)), color = 'red')
plt.title('Polynomial Regression')
plt.xlabel('Temperature')
plt.ylabel('Pressure')
plt.show()
步骤7：使用线性和多项式回归预测新结果。
# Predicting a new result with Linear Regression lin.predict(110.0)
# Predicting a new result with Polynomial Regression lin2.predict(poly.fit_transform(110.0))
使用多项式回归的优点：
- 广泛的功能可以适应它。
- 多项式基本上适合宽范围的曲率。
- 多项式提供了依赖变量和自变量之间关系的最佳近似。
使用多项式回归的缺点
- 这些对异常值过于敏感。
- 数据中存在一个或两个异常值会严重影响非线性分析的结果。
- 此外，遗憾的是，用于检测非线性回归中的异常值的模型验证工具少于线性回归。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。
相关文章
Anaconda之conda常用命令介绍(安装、更新、删除)
这篇文章主要介绍了Anaconda之conda常用命令介绍，主要包括安装、更新、删除等,需要的朋友可以参考下2019-10-10
区块链（Blockchain）是一种分布式账本（listributed ledger），它是一种仅供增加（append-only），内容不可变（immutable）的有序（ordered）链式数据结构，该数据结构由网络中的一系列节点共同维护，并且这些节点之间互不信任2023-02-02
一般来说闭包这个概念在很多语言中都有涉及,简单说,闭包就是根据不同的配置信息得到不同的结果,下面我们来专门讲下在Python中的闭包2016-11-11
本文主要介绍了python 命令行参数模块argparse的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2023-03-03
python使用aiohttp通过设置代理爬取基金数据简单示例
这篇文章主要为大家介绍了python使用aiohttp通过设置代理爬取基金数据简单示例详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2023-06-06
今天小编就为大家分享一篇python代码实现TSNE降维数据可视化教程，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-02-02
下面小编就为大家带来一篇python 读写、创建 文件的方法(必看)。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧2016-09-09
这篇文章主要介绍了使用pdb模块调试Python程序实例,本文着重讲解了pdb.run()函数、pdb.runeval()函数、pdb.runcall()函数、pdb.set_trace()函数的使用以及pdb调试命令等内容,需要的朋友可以参考下2015-06-06
在Python中,使用相对路径访问文件是一种常见的做法,尤其是在处理与脚本位于同一目录或附近目录的文件时,这篇文章主要介绍了python中使用（.）来进行相对路径访问文件,需要的朋友可以参考下2024-05-05
手把手教你从PyCharm安装到激活（最新激活码），亲测有效可激活至2089年
最近很多网友找小编反映PyCharm激活码失效了，原来的已经不能用了。浪费了半天时间终于找到一个可以使用的了，支持最新JetBrains全系列产品(Pycharm 2020.2.x，Intellij idea 2020.2.x,WebStorm 2020.2.x)。,需要的朋友可以参考下2020-10-10
最新评论