基于Scikit-learn的多元线性回归模型构建与验证

废话不多说,直接上代码

python 复制代码
# import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import joblib  # 用于保存和加载模型

# 1. 导入数据(假设你有一个包含特征和目标值的CSV文件)
# 例如,data.csv 中有若干特征列和一个名为 'target' 的目标列
data = pd.read_csv('FuelConsumptionCo21.csv')

# 2. 准备数据
# 分离特征和目标值
X = data.drop('target', axis=1)
y = data['target']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 3. 创建并训练模型
model = LinearRegression()
model.fit(X_train, y_train)

print(model.coef_)
print(model.intercept_)

# 4. 进行预测并评估模型
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print(f'Mean Squared Error: {mse}')


# 5. 保存模型
joblib.dump(model, 'linear_regression_model.pkl')

# 6. 加载模型(可选,验证模型是否正确保存和加载)
loaded_model = joblib.load('linear_regression_model.pkl')
loaded_y_pred = loaded_model.predict(X_test)
loaded_mse = mean_squared_error(y_test, loaded_y_pred)
print(f'Mean Squared Error after loading: {loaded_mse}')

原始数据是汽车 二氧化碳污染指标排放,数据如下

|------------|-----------|----------------------|---------------------|----------------------|--------------------------|--------|
| ENGINESIZE | CYLINDERS | FUELCONSUMPTION_CITY | FUELCONSUMPTION_HWY | FUELCONSUMPTION_COMB | FUELCONSUMPTION_COMB_MPG | target |
| 2 | 4 | 9.9 | 6.7 | 8.5 | 33 | 196 |
| 2.4 | 4 | 11.2 | 7.7 | 9.6 | 29 | 221 |
| 1.5 | 4 | 6 | 5.8 | 5.9 | 48 | 136 |
| 3.5 | 6 | 12.7 | 9.1 | 11.1 | 25 | 255 |
| 3.5 | 6 | 12.1 | 8.7 | 10.6 | 27 | 244 |
| 3.5 | 6 | 11.9 | 7.7 | 10 | 28 | 230 |
| 3.5 | 6 | 11.8 | 8.1 | 10.1 | 28 | 232 |
| 3.7 | 6 | 12.8 | 9 | 11.1 | 25 | 255 |
| 3.7 | 6 | 13.4 | 9.5 | 11.6 | 24 | 267 |
| 2.4 | 4 | 10.6 | 7.5 | 9.2 | 31 | 212 |
| 2.4 | 4 | 11.2 | 8.1 | 9.8 | 29 | 225 |
| 3.5 | 6 | 12.1 | 8.3 | 10.4 | 27 | 239 |
| 5.9 | 12 | 18 | 12.6 | 15.6 | 18 | 359 |
| 5.9 | 12 | 18 | 12.6 | 15.6 | 18 | 359 |
| 4.7 | 8 | 17.4 | 11.3 | 14.7 | 19 | 338 |
| 4.7 | 8 | 18.1 | 12.2 | 15.4 | 18 | 354 |
| 4.7 | 8 | 17.4 | 11.3 | 14.7 | 19 | 338 |
| 4.7 | 8 | 18.1 | 12.2 | 15.4 | 18 | 354 |
| 5.9 | 12 | 18 | 12.6 | 15.6 | 18 | 359 |
| 2 | 4 | 9.9 | 7.4 | 8.8 | 32 | 202 |
| 2 | 4 | 11.5 | 8.1 | 10 | 28 | 230 |
| 2 | 4 | 10.8 | 7.5 | 9.3 | 30 | 214 |

相关推荐
老艾的AI世界42 分钟前
AI翻唱神器,一键用你喜欢的歌手翻唱他人的曲目(附下载链接)
人工智能·深度学习·神经网络·机器学习·ai·ai翻唱·ai唱歌·ai歌曲
DK2215142 分钟前
机器学习系列----关联分析
人工智能·机器学习
FreedomLeo11 小时前
Python数据分析NumPy和pandas(四十、Python 中的建模库statsmodels 和 scikit-learn)
python·机器学习·数据分析·scikit-learn·statsmodels·numpy和pandas
风间琉璃""2 小时前
二进制与网络安全的关系
安全·机器学习·网络安全·逆向·二进制
Java Fans2 小时前
梯度提升树(Gradient Boosting Trees)详解
机器学习·集成学习·boosting
谢眠3 小时前
机器学习day6-线性代数2-梯度下降
人工智能·机器学习
sp_fyf_20244 小时前
【大语言模型】ACL2024论文-19 SportsMetrics: 融合文本和数值数据以理解大型语言模型中的信息融合
人工智能·深度学习·神经网络·机器学习·语言模型·自然语言处理
sp_fyf_20246 小时前
【大语言模型】ACL2024论文-18 MINPROMPT:基于图的最小提示数据增强用于少样本问答
人工智能·深度学习·神经网络·目标检测·机器学习·语言模型·自然语言处理
爱喝白开水a6 小时前
Sentence-BERT实现文本匹配【分类目标函数】
人工智能·深度学习·机器学习·自然语言处理·分类·bert·大模型微调
封步宇AIGC7 小时前
量化交易系统开发-实时行情自动化交易-4.2.3.指数移动平均线实现
人工智能·python·机器学习·数据挖掘