【深度学习】第3章实验——回归模型

根据相关数据集进行回归分析

python 复制代码
import statsmodels.api as sm
# df.loc[:, ...] 表示选择所有行。
# df.columns != 'mpg' 创建一个布尔数组,指示哪些列不等于 'mpg'。
# df.loc[:, df.columns != 'mpg'] 选择 df 中所有行和列名不等于 'mpg' 的所有列。
x =df.loc[:,df.columns!='mpg']

#在数据框 x 中添加一列常数值(通常为 1)。
#这一列称为截距项(intercept),在回归分析中非常重要。
#这样做的目的是确保模型在进行线性回归时,包括一个常数项(截距)。
x=sm.add_constant(x)
y = df['mpg']

# 随机抽取 x 数据框中的 6 行数据。
x.sample(6)
python 复制代码
import statsmodels.formula.api as smf

#smf.ols 是使用普通最小二乘法(OLS)进行线性回归分析的函数。
#formula='mpg~hp+C(vs)+C(am)' 定义了回归模型的公式
#mpg 是因变量(或目标变量),即我们要预测的变量。
#hp 是自变量之一,即预测变量。
#C(vs) 和 C(am) 表示 vs 和 am 是分类变量(categorical variables)。C 函数将这些变量视为分类变量,而不是连续变量。
#data=df 指定了数据源 df
#.fit() 方法用于拟合模型,即根据提供的数据进行线性回归分析,并生成一个包含拟合结果的模型对象。
model = smf.ols(formula='mpg~hp+C(vs)+C(am)',data=df).fit()

#打印模型摘要
print(model.summary())
python 复制代码
#使用先前拟合的线性回归模型对新的数据进行预测
y_hat = model.predict(x)
#随机抽取并展示5个预测值:
y_hat.sample(5)
python 复制代码
import numpy as np
#计算模型预测结果的均方根误差
#反映了预测值与实际值之间的差异大小
model_RMSE = np.sqrt(np.mean(np.square(y_hat-y)))
model_RMSE
python 复制代码
fig = plt.figure(figsize=(12,8))
#使用 plot_regress_exog 函数来绘制回归模型的外生变量(exogenous variable)的回归诊断图
fig = sm.graphics.plot_regress_exog(model,"hp",fig = fig)
相关推荐
倔强青铜三8 分钟前
苦练Python第23天:元组秘籍与妙用
人工智能·python·面试
Teacher.chenchong37 分钟前
现代R语言机器学习:Tidymodel/Tidyverse语法+回归/树模型/集成学习/SVM/深度学习/降维/聚类分类与科研绘图可视化
机器学习·回归·r语言
AndrewHZ39 分钟前
【图像处理基石】如何入门色彩评估?
图像处理·人工智能·深度学习·色彩科学·hvs·色彩评估·颜色工程
TomatoSCI39 分钟前
聚类的可视化选择:PCA / t-SNE丨TomatoSCI分析日记
人工智能·机器学习
大咖分享课41 分钟前
深度剖析:最新发布的ChatGPT Agent 技术架构与应用场景
人工智能·openai·智能助手·ai代理·chatgpt agent·自主任务执行
lucky_lyovo1 小时前
卷积神经网络--网络性能提升
人工智能·神经网络·cnn
liliangcsdn1 小时前
smolagents - 如何在mac用agents做简单算术题
人工智能·macos·prompt
nju_spy1 小时前
周志华《机器学习导论》第8章 集成学习 Ensemble Learning
人工智能·随机森林·机器学习·集成学习·boosting·bagging·南京大学
静心问道1 小时前
TrOCR: 基于Transformer的光学字符识别方法,使用预训练模型
人工智能·深度学习·transformer·多模态
说私域1 小时前
基于开源AI大模型、AI智能名片与S2B2C商城小程序源码的用户价值引导与核心用户沉淀策略研究
人工智能·开源