欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python多项式回归的实现方法

程序员文章站 2022-07-04 22:09:21
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...

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。

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 

Python多项式回归的实现方法

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() 

Python多项式回归的实现方法

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() 

Python多项式回归的实现方法

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) 

Python多项式回归的实现方法

# predicting a new result with polynomial regression 
lin2.predict(poly.fit_transform(110.0)) 

Python多项式回归的实现方法

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。