AICon上海|与字节、阿里、腾讯等企业共同探索Agent 时代的落地应用 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 16:202593

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

下一代对话系统中的关键技术

硬科技星球

Linux内核权限提升漏洞

网络安全学海

网络安全 信息安全 渗透测试 WEB安全 漏洞挖掘

浅谈外挂常识和如何防御

行者AI

《2021年IT行业项目管理调查报告》重磅发布!

禅道项目管理

项目管理 DevOps 加班

Flink CDC 2.2 正式发布,新增四种数据源,支持动态加表,提供增量快照框架

Apache Flink

大数据 flink 编程 流计算 实时计算

深度确定性策略梯度(DDPG)

行者AI

数字化转型-基本认知

Geek_XOXO

数字化转型

昇思MindSpore行至2022,开源社区成就生态共赢

科技热闻

华为公布终端云最新数据:终端全球月活用户超过7.3亿

叶落便知秋

华为

不后悔的星期四,明道云首次全网公开直播零代码训练营

明道云

一起来DIVE!在基础软件知识海洋遨游,还能赢取万元奖品!

InfoQ写作社区官方

热门活动 DIVE

模块1 作业

KennyQ

阿里云智能编码插件,Cosy文档搜索上新了

阿里云云效

阿里云 代码管理 代码库 阿里云智能编码插件 Cosy

协同·转型·智慧,WorkPlus移动平台帮助企业走好数字化转型之路

BeeWorks

《中国金融科技与数字普惠金融发展报告(2022)》发布 十大趋势研判未来行业发展

BeeWorks

一张图看懂全球最新DDoS攻击趋势

科技热闻

低代码实现探索(三十九)组件库的开发

零道云-混合式低代码平台

【征文大赛】TiDB 社区专栏第一届征文大赛,快来一次性集齐所有周边吧!

TiDB 社区干货传送门

云效流水线 Flow 是什么?为什么选择云效「Flow」

阿里云云效

阿里云 云原生 持续交付 研发 云效流水线 Flow

优酷播放黑科技 | 自由视角技术的全链路策略与落地实践

阿里巴巴终端技术

客户端 音视频技术 视频技术

一文简述:云端架构的演变过程

穿过生命散发芬芳

3月月更

Apache Flink 在翼支付的实践应用

Apache Flink

大数据 flink 编程 流计算 实时计算

分布式事务揭秘

中原银行

分布式 分布式事务 云原生 中原银行

基于Prometheus的企业级监控体系探索与实践

中原银行

分布式 微服务 云原生 Prometheus 中原银行

私有化部署是什么意思?企业私有化部署的几种类型和利弊分析

BeeWorks

固定资产管理系统的主要功能和优点

低代码小观

低代码 企业管理 资产管理 企业管理系统 CRM系统

Apache Shiro Realm实战及认证授权源码解读

编程江湖

关于在hive任务中number of reducers的探讨

编程江湖

字节跳动基于 Apache Hudi 的多流拼接实践

字节跳动数据平台

字节跳动 实时数仓 Hudi

区块链中的共识机制简介

中原银行

区块链 中原银行

国产化浪潮下TiDB解决的痛点问题

TiDB 社区干货传送门

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