网站类型有,网站推广应该注意什么,企业官网设计尺寸,小红书的网络营销方法目录 算法介绍
一元线性回归模型
多元线性回归模型
误差项分析
相关系数
算法案例
一元线性回归预测——广告销售额案例
二元线性回归预测——血压收缩案例
多元线性回归预测——糖尿病案例 算法介绍
线性回归是利用数理统计中回归分析#xff0c;来确定两种或两种…目录 算法介绍
一元线性回归模型
多元线性回归模型
误差项分析
相关系数
算法案例
一元线性回归预测——广告销售额案例
二元线性回归预测——血压收缩案例
多元线性回归预测——糖尿病案例 算法介绍
线性回归是利用数理统计中回归分析来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。
一元线性回归模型 多元线性回归模型 误差项分析 误差项可以省略吗 误差项不可省略误差是必然产生的。并且由于产生了误差项我们便可以基于误差的特点来进行对线性回归的参数估计的。 误差项有什么特点? 独立同分布。 误差项满足高斯分布的原因 数据样本偏离线性回归模型不会太远。 大部分都是在偏离一点点。 极少数的样本点会偏离比较远。 相关系数
又称皮尔逊相关系数是研究变量之间相关关系的度量一般用字母r表示。计算方式如下 相关系数解释 算法案例
一元线性回归预测——广告销售额案例
如图是广告投入与销售额的数据截图请根据这份数据预测广告投入为35和40时的营业额分别是多少
datapd.read_csv(data.csv)
lLinearRegression()
xdata[[广告投入]]
ydata[[销售额]]
l.fit(x,y)
resultl.predict(x)
scorel.score(x,y)
print(y{:.2f}x{:.2f}.format(l.coef_[0][0],l.intercept_[0]))
print(f预测广告投入为35时销售额为{l.predict([[35]])})
print(f预测广告投入为40时销售额为{l.predict([[40]])}) 二元线性回归预测——血压收缩案例
如图是血压收缩的数据截图请根据这份数据预测体重60年龄为40的人体重70年龄为30这两人的血压收缩为 datapd.read_csv(血压收缩.csv,encodinggbk,enginepython)
corrdata[[体重,年龄,血压收缩]].corr()
lrLinearRegression()
xdata[[体重,年龄]]
ydata[[血压收缩]]
lr.fit(x,y)
scorelr.score(x,y)
print(y{:.2f}x1{:.2f}x2{:.2f}.format(lr.coef_[0][0],lr.coef_[0][1],lr.intercept_[0]))
print(f预测体重60年龄为40的人的血压收缩为{lr.predict([[60,40]])})
print(f预测体重70年龄为30的人的血压收缩为{lr.predict([[70,30]])}) 多元线性回归预测——糖尿病案例
如图是糖尿病的数据糖尿病数据.csv的部分截图请根据这份数据求解糖尿病的线性回归方程 datapd.read_csv(糖尿病数据.csv,encodinggbk,enginepython)
corrdata[[age,sex,bmi,bp,s1,s2,s3,s4,s5,s6,target]].corr()
lrLinearRegression()
xdata[[age,sex,bmi,bp,s1,s2,s3,s4,s5,s6]]
ydata[[target]]
lr.fit(x,y)
scorelr.score(x,y)
print(y{:.2f}x1{:.2f}x2{:.2f}x3{:.2f}x4{:.2f}x5{:.2f}x6{:.2f}x7{:.2f}x8{:.2f}x9{:.2f}.format(lr.coef_[0][0],lr.coef_[0][1],lr.coef_[0][1],lr.coef_[0][2],lr.coef_[0][3],lr.coef_[0][4],lr.coef_[0][5],lr.coef_[0][6],lr.coef_[0][7],lr.coef_[0][8],lr.intercept_[0]))
