脚本之家,脚本语言编程技术及教程分享平台!
分类导航

Python|VBS|Ruby|Lua|perl|VBA|Golang|PowerShell|Erlang|autoit|Dos|bat|

服务器之家 - 脚本之家 - Python - Python 普通最小二乘法(OLS)进行多项式拟合的方法

Python 普通最小二乘法(OLS)进行多项式拟合的方法

2021-05-09 00:52薛定谔的DBA Python

今天小编就为大家分享一篇Python 普通最小二乘法(OLS)进行多项式拟合的方法,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

多元函数拟合。如 电视机和收音机价格多销售额的影响,此时自变量有两个。

python 解法:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
import numpy as np
import pandas as pd
#import statsmodels.api as sm #方法一
import statsmodels.formula.api as smf #方法二
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import axes3d
 
df = pd.read_csv('http://www-bcf.usc.edu/~gareth/isl/advertising.csv', index_col=0)
x = df[['tv', 'radio']]
y = df['sales']
 
#est = sm.ols(y, sm.add_constant(x)).fit() #方法一
est = smf.ols(formula='sales ~ tv + radio', data=df).fit() #方法二
y_pred = est.predict(x)
 
df['sales_pred'] = y_pred
print(df)
print(est.summary()) #回归结果
print(est.params) #系数
 
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d') #ax = axes3d(fig)
ax.scatter(x['tv'], x['radio'], y, c='b', marker='o')
ax.scatter(x['tv'], x['radio'], y_pred, c='r', marker='+')
ax.set_xlabel('x label')
ax.set_ylabel('y label')
ax.set_zlabel('z label')
plt.show()

Python 普通最小二乘法(OLS)进行多项式拟合的方法

拟合的各项评估结果和参数都打印出来了,其中结果函数为:

f(sales) = β0 + β1*[tv] + β2*[radio]

f(sales) = 2.9211 + 0.0458 * [tv] + 0.188 * [radio]

Python 普通最小二乘法(OLS)进行多项式拟合的方法

图中,sales 方向上,蓝色点为原 sales 实际值,红色点为拟合函数计算出来的值。其实误差并不大,部分数据如下。

Python 普通最小二乘法(OLS)进行多项式拟合的方法

同样可拟合一元函数;

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
import numpy as np
import pandas as pd
import statsmodels.formula.api as smf
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import axes3d
 
df = pd.read_csv('http://www-bcf.usc.edu/~gareth/isl/advertising.csv', index_col=0)
x = df['tv']
y = df['sales']
 
est = smf.ols(formula='sales ~ tv ', data=df).fit()
y_pred = est.predict(x)
print(est.summary())
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(x, y, c='b')
ax.plot(x, y_pred, c='r')
plt.show()

Python 普通最小二乘法(OLS)进行多项式拟合的方法

Python 普通最小二乘法(OLS)进行多项式拟合的方法

ridge regression:(岭回归交叉验证)

岭回归(ridge regression, tikhonov regularization)是一种专用于共线性数据分析的有偏估计回归方法,实质上是一种改良的最小二乘估计法,通过放弃最小二乘法的无偏性,以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法,对病态数据的拟合要强于最小二乘法。通常岭回归方程的r平方值会稍低于普通回归分析,但回归系数的显著性往往明显高于普通回归,在存在共线性问题和病态数据偏多的研究中有较大的实用价值。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn import linear_model
from mpl_toolkits.mplot3d import axes3d
 
df = pd.read_csv('http://www-bcf.usc.edu/~gareth/isl/advertising.csv', index_col=0)
x = np.asarray(df[['tv', 'radio']])
y = np.asarray(df['sales'])
 
clf = linear_model.ridgecv(alphas=[i+1 for i in np.arange(200.0)]).fit(x, y)
y_pred = clf.predict(x)
df['sales_pred'] = y_pred
print(df)
print("alpha=%s, 常数=%.2f, 系数=%s" % (clf.alpha_ ,clf.intercept_,clf.coef_))
 
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(df['tv'], df['radio'], y, c='b', marker='o')
ax.scatter(df['tv'], df['radio'], y_pred, c='r', marker='+')
ax.set_xlabel('tv')
ax.set_ylabel('radio')
ax.set_zlabel('sales')
plt.show()

输出结果:alpha=150.0, 常数=2.94, 系数=[ 0.04575621 0.18735312]

以上这篇python 普通最小二乘法(ols)进行多项式拟合的方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持服务器之家。

原文链接:https://blog.csdn.net/kk185800961/article/details/79220724

延伸 · 阅读

精彩推荐