10 月 23 - 25 日,QCon 上海站即将召开,现在购票,享9折优惠 了解详情
写点什么

Python 数据挖掘与机器学习实战(四):用 Python 实现多元线性回归

  • 2020-02-01
  • 本文字数:4153 字

    阅读完需:约 14 分钟

Python数据挖掘与机器学习实战(四):用 Python 实现多元线性回归

编者按:本文节选自方巍著《Python 数据挖掘与机器学习实战》一书中的部分章节。

3.4 用 Python 实现多元线性回归

当结果值的影响因素有多个时,可以采用多元线性回归模型。例如,商品的销售额可能与电视广告投入、收音机广告投入和报纸广告投入有关系,可以有:


3.4.1 使用 pandas 读取数据

pandas 是一个用于数据探索、数据分析和数据处理的 Python 库。


import pandas as pd#获取数据data = pd.read_csv('/home/lulei/Advertising.csv')# 显示前5 项数据data.head()
复制代码


这里的 Advertising.csv 是来自http://www-bcf.usc.edu/~gareth/ISL/Advertising.csv,大家可以自行下载。


上面代码的运行结果如下:


TV     Radio     Newspaper    Sales0      230.1      37.8       69.2       22.11      44.5       39.3       45.1       10.42      17.2       45.9       69.3       9.33      151.5      41.3       58.5       18.54      180.8      10.8       58.4       12.9
复制代码


上面显示的结果类似一个电子表格,这个结构称为 pandas 的数据帧(data frame),类型全称是 pandas.core.frame.DataFrame。


pandas 的两个主要数据结构是 Series 和 DataFrame;Series 类似于一维数组,它由一组数据及一组与之相关的数据标签(即索引)组成;DataFrame 是一个表格型的数据结构,它含有一组有序的列,每列可以是不同的值类型。DataFrame 既有行索引也有列索引,它可以被看做由 Series 组成的字典。


# 显示最后5 项数据data.tail()
复制代码


以上代码的作用是只显示结果的末尾 5 行,结果如下:


        TV     Radio    Newspaper    Sales195    38.2     3.7       13.8         7.6196    94.2     4.9       8.1          9.7197    177.0    9.3       6.4          12.8198    283.6    42.0      66.2         25.5199    232.1    8.6       8.7          13.4
复制代码


查看 DataFrame 的维度:


data.shape
复制代码


注意第一列叫索引,和数据库某个表中的第一列类似。结果如下:


(200,4)
复制代码

3.4.2 分析数据

分析数据的特征:


TV:在电视上投资的广告费用(以千万元为单位);


Radio:在广播媒体上投资的广告费用;


Newspaper:用于报纸媒体的广告费用;


响应:连续的值;


Sales:对应产品的销量。


在这个案例中,通过不同的广告投入,预测产品销量。因为响应变量是一个连续的值,所以这个问题是一个回归问题。数据集一共有 200 个观测值,每一组观测对应一个市场的情况。


注意:这里推荐使用的是 seaborn 包。这个包的数据可视化效果比较好。其实 seaborn 也属于 Matplotlib 的内部包,只是需要单独安装。


import seaborn as snsimport matplotlib.pyplot as plt# 使用散点图可视化特征与响应之间的关系sns.pairplot(data, x_vars=['TV','Radio','Newspaper'], y_vars='Sales',     size=7, aspect=0.8) plt.show()                                  #注意必须加上这一句,否则无法显示#这里选择TV?Radio?Newspaper 作为特征,Sales作为观测值
复制代码


seaborn 的 pairplot 函数绘制 X 的每一维度和对应 Y 的散点图。通过设置 size 和 aspect 参数来调节显示的大小和比例。通过加入一个参数 kind=‘reg’,seaborn 可以添加一条最佳拟合直线和 95%的置信带。


sns.pairplot(data, x_vars=['TV','Radio','Newspaper'], y_vars='Sales',    size=7, aspect=0.8, kind='reg')plt.show()
复制代码


如图 3-3 是运行后的拟合效果图。从图中可以看出,TV 特征和销量是有比较强的线性关系的,而 Radio 和 Sales 线性关系弱一些,Newspaper 和 Sales 线性关系更弱。



图 3-3 线性回归结果图

3.4.3 线性回归模型

线性回归模型具有如下优缺点。


  • 优点:快速;没有调节参数;可轻易解释;可理解。

  • 缺点:相比其他复杂一些的模型,其预测准确率不高,因为它假设特征和响应之间存在确定的线性关系,这种假设对于非线性的关系,线性回归模型显然不能很好地进行数据建模。


1.使用 pandas 构建 X(特征向量)和 y(标签列)


scikit-learn 要求是一个特征矩阵,是一个 NumPy 向量。pandas 构建在 NumPy 之上。因此,可以是 pandas 的 DataFrame,可以是 pandas 的 Series,scikit-learn 可以理解这种结构。


#创建特征列表feature_cols = ['TV', 'Radio', 'Newspaper']#使用列表选择原始DataFrame的子集X = data[feature_cols]X = data[['TV', 'Radio', 'Newspaper']]# 输出前5项数据print (X.head())
复制代码


检查 X 类型及维度,代码如下:


print (type(X))print (X.shape)
复制代码


输出结果如下:


      TV      Radio    Newspaper0    230.1     37.8       69.21    44.5      39.3       45.12    17.2      45.9       69.33    151.5     41.3       58.54    180.8     10.8       58.4<class 'pandas.core.frame.DataFrame'>(200, 3)
复制代码


查看数据集中的数据,代码如下:


#从DataFrame中选择一个Seriesy = data['Sales']y = data.Sales#输出前5项数据print (y.head())
复制代码


输出的结果如下:


0    22.11    10.42     9.33    18.54    12.9Name: Sales
复制代码


2.构建训练集与测试集


构建训练集和测试集,分别保存在 X_train、y_train、Xtest 和 y_test 中。


<pre name="code" class="python"><span style="font-size:14px;">##构造训练    集和测试集from sklearn.cross_validation import train_test_split   #这里是引用交叉验证X_train,X_test, y_train, y_test = train_test_split(X, y, random_state=1)# 75%用于训练,25% 用于测试print (X_train.shape)print (y_train.shape)print (X_test.shape)print (y_test.shape)
复制代码


查看构建的训练集和测试集,输出结果如下:


(150,3)(150,)(50,3)(50,)
复制代码


3.sklearn 的线性回归


使用 sklearn 做线性回归,首先导入相关的线性回归模型,然后做线性回归模拟。


from sklearn.linear_model import LinearRegressionlinreg = LinearRegression()model=linreg.fit(X_train, y_train)              #线性回归print (model)print (linreg.intercept_)           #输出结果print (linreg.coef_)
复制代码


输出的结果如下:


LinearRegression(copy_X=True, fit_intercept=True, normalize=False)2.66816623043[ 0.04641001  0.19272538 -0.00349015]
复制代码


输出变量的回归系数:


# 将特征名称与系数对应zip(feature_cols, linreg.coef_)
复制代码


输出如下:


[('TV', 0.046410010869663267), ('Radio', 0.19272538367491721), ('Newspaper', -0.0034901506098328305)]
复制代码


线性回归的结果如下:



如何解释各个特征对应的系数的意义呢?


对于给定了 Radio 和 Newspaper 的广告投入,如果在广告上每多投入 1 个单位,对应销量将增加 0.0466 个单位。也就是其他两个媒体的广告投入固定,在广告上每增加 1000 美元(因为单位是 1000 美元),销量将增加 46.6(因为单位是 1000)。但是大家注意,这里的 Newspaper 的系数是负数,所以可以考虑不使用 Newspaper 这个特征。


4.预测


通过线性模拟求出回归模型之后,可通过模型预测数据,通过 predict 函数即可求出预测结果。


y_pred = linreg.predict(X_test)print (y_pred)print (type(y_pred))
复制代码


输出结果如下:


[ 14.58678373   7.92397999   16.9497993   19.35791038  7.36360284  7.35359269   16.08342325  9.16533046   20.35507374  12.63160058  22.83356472  9.66291461   4.18055603   13.70368584  11.4533557  4.16940565   10.31271413  23.06786868  17.80464565  14.53070132  15.19656684  14.22969609  7.54691167   13.47210324  15.00625898  19.28532444  20.7319878   19.70408833  18.21640853  8.50112687  9.8493781    9.51425763   9.73270043   18.13782015  15.41731544  5.07416787   12.20575251  14.05507493  10.6699926   7.16006245  11.80728836  24.79748121  10.40809168  24.05228404  18.44737314  20.80572631  9.45424805   17.00481708  5.78634105   5.10594849]<type 'numpy.ndarray'>
复制代码


5.评价测度


对于分类问题,评价测度是准确率,但其不适用于回归问题,因此使用针对连续数值的评价测度(evaluation metrics)。


这里介绍 3 种常用的针对线性回归的评价测度。


  • 平均绝对误差(Mean Absolute Error,MAE);

  • 均方误差(Mean Squared Error,MSE);

  • 均方根误差(Root Mean Squared Error,RMSE)。


这里使用 RMES 进行评价测度。


#计算Sales预测的RMSEprint (type(y_pred),type(y_test))print (len(y_pred),len(y_test))print (y_pred.shape,y_test.shape)from sklearn import metricsimport numpy as npsum_mean=0for i in range(len(y_pred)):    sum_mean+=(y_pred[i]-y_test.values[i])**2sum_erro=np.sqrt(sum_mean/50)# 计算RMSE的大小print ("RMSE by hand:",sum_erro)
复制代码


最后的结果如下:


<type 'numpy.ndarray'><class 'pandas.core.series.Series'>50 50(50,) (50,)RMSE by hand: 1.42998147691
复制代码


接下来绘制 ROC 曲线,代码如下:


import matplotlib.pyplot as pltplt.figure()plt.plot(range(len(y_pred)),y_pred,'b',label="predict")plt.plot(range(len(y_pred)),y_test,'r',label="test")plt.legend(loc="upper right")                             #显示图中的标签plt.xlabel("the number of sales")                         #横坐标轴plt.ylabel('value of sales')                              #纵坐标轴plt.show()#显示结果
复制代码


运行程序,显示结果如图 3-4 所示(上面的曲线是真实值曲线,下面的曲线是预测值曲线)。


至此,整个一次多元线性回归的预测就结束了。



图 3-4 模拟效果比对图


图书简介:https://item.jd.com/12623592.html?dist=jd



相关阅读


Python数据挖掘与机器学习实战(一):Python语言优势及开发工具


Python数据挖掘与机器学习实战(二):Python语言简介


Python数据挖掘与机器学习实战(三):网络爬虫原理与设计实现


Python数据挖掘与机器学习实战(四):用 Python 实现多元线性回归


Python数据挖掘与机器学习实战(五):基于线性回归的股票预测


2020-02-01 16:202907

评论 1 条评论

发布
用户头像
👍
2021-10-13 12:50
回复
没有更多了
发现更多内容

几种验证端口开启的方法

林十二XII

Python案例实现|租房网站数据表的处理与分析

TiAmo

Python 数据分析 爬虫

点云标注在自动驾驶中的难点

数据堂

中企出海,数智人力构建全球化组织的驱动力!

用友BIP

中企出海 数智人力

创业大赛|第二届“金靴奔跑”创新创业大赛!

科兴未来News

大数据实时链路备战——数据双流高保真压测 | 京东云技术团队

京东科技开发者

大数据 压测 企业号 7 月 PK 榜 双流 数据双流

Java的异常处理

java易二三

异常处理 java 编程 #编程

Java框架——SSM框架增删改查

java易二三

SSM框架 java 编程

如何更快地渲染?深入了解3D渲染性能的指南

Finovy Cloud

告别传统人肉运维,实现360°可观测!奇点云数据存算引擎DataKun R2.0发布

极客天地

提升直播软件源码开发平台性能关键利器功能_山东布谷科技创作

山东布谷科技

源码 软件 软件开发 直播 源码搭建

粗粮细作,铁合金行业的节能降耗

用友BIP

冶金

百度商业AI技术创新大赛区域赛落幕,各大高校科技新秀角逐复赛

百度Geek说

人工智能 百度 AIGC 企业号 7 月 PK 榜

TE智库 |《中国通用大模型内容生成及安全性能力评测》报告发布,深度测评中国大模型玩家

TE智库

深耕零售行业数字化,乐檬软件与华为云携手共进

华为云开发者联盟

云计算 后端 华为云 华为云开发者联盟 企业号 7 月 PK 榜

AI驱动税务智能,开启智慧税务新纪元

用友BIP

AI 税务管理

频繁FullGC的原因竟然是“开源代码”? | 京东云技术团队

京东科技开发者

JVM GC 企业号 7 月 PK 榜 Full GC

结合线上线下环境,提供产品的服务...

Bonaparte

产品 产品经理 产品设计 产品思维 产品服务

深入探析数智时代下的分布式系统架构设计

不在线第一只蜗牛

AI 低代码 分布式架构 数智时代

高性能网络 SIG 月度动态:再获认可!3 位成员成为 Linux 内核社区 reviewer

OpenAnolis小助手

Linux 内核 高性能网络 龙蜥sig smc

【专业 TypeScript 实战】15 个高级技巧,开创卓越开发之路!

汽车之家客户端前端团队

antv-x6使用及总结 | 京东物流技术团队

京东科技开发者

数据可视化 可视化开发 企业号 7 月 PK 榜 antv-x6

点云标注在自动驾驶中的优化策略

数据堂

大型企业采购云管平台的需求是什么?选择哪家厂商好?

行云管家

云计算 企业上云 云管平台

拆解雪花算法生成规则 | 京东物流技术团队

京东科技开发者

算法 雪花算法 企业号 7 月 PK 榜

保护 TDengine 查询性能——3.0 如何大幅降低乱序数据干扰?

爱倒腾的程序员

数据库

云环境与服务器的四大区别简单聊聊

行云管家

云计算 云服务器 云环境

Python数据挖掘与机器学习实战(四):用 Python 实现多元线性回归_大数据_方巍_InfoQ精选文章