在网站上做封面,网站建设为什么要全款,离石做网站的网络公司,根据网站做软件根据相关数据集进行回归分析
1.
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#xff0c;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.col…根据相关数据集进行回归分析
1.
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。
xsm.add_constant(x)
y df[mpg]# 随机抽取 x 数据框中的 6 行数据。
x.sample(6) 2.
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。
#formulampg~hpC(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。
#datadf 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(formulampg~hpC(vs)C(am),datadf).fit()#打印模型摘要
print(model.summary()) 3.
#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) 4.
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 5.
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)
