初识线性回归(Excel |
您所在的位置：网站首页 › excel计算结果保留整数的函数 › 初识线性回归(Excel |
初识线性回归(Excel
|
目录 一.excel数据分析功能实现 二. jupyter实现 1.最小二乘法 平均值 参数a b 这里对参数保留4位有效数字 导入所需的模块 2.skleran库完成 三.总结 目录 一.excel数据分析功能实现 1.添加数据分析工具 在菜单栏选择“插入”，“我的加载项”，“管理其他加载项”，在最下方选择Excel加载项，点击“转到”： 2.excel完成线性回归分析 数据-数据分析-回归
选择20组数据
添加趋势线 200组 2000组 二. jupyter实现 1.最小二乘法 1.最小二乘法 将所需要的数据文件导入到jupyter中，就可以不用在程序里使用数据文件时加入路径。 打开jupyter，点击upload，选择你需要的文件，确定，点击上传 import pandas as pd import numpy as np import math #准备数据 p=pd.read_excel('weights_heights(身高-体重数据集).xls','weights_heights') #读取20行数据 p1=p.head(20) x=p1["Height"] y=p1["Weight"] 1 2 3 4 5 6 7 8 9平均值 x_mean = np.mean(x) y_mean = np.mean(y) #x（或y）列的总数（即n） xsize = x.size zi=((x-x_mean)*(y-y_mean)).sum() mu=((x-x_mean)*(x-x_mean)).sum() n=((y-y_mean)*(y-y_mean)).sum() 1 2 3 4 5 6 7参数a b a = zi / mu b = y_mean - a * x_mean #相关系数R的平方 m=((zi/math.sqrt(mu*n))**2) 1 2 3 4这里对参数保留4位有效数字 a = np.around(a,decimals=4) b = np.around(b,decimals=4) m = np.around(m,decimals=4) print(f'回归线方程:y = {a}x +({b})') print(f'相关回归系数为{m}') #借助第三方库skleran画出拟合曲线 y1 = a*x + b plt.scatter(x,y) plt.plot(x,y1,c='r') 1 2 3 4 5 6 7 8 920组数据 200组数据 2000组数据
p1=p.head(20)改为p1=p.head(2000) 2.skleran库完成 导入所需的模块 import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression p=pd.read_excel('weights_heights(身高-体重数据集).xls','weights_heights') #读取数据行数 p1=p.head(20) x=p1["Height"] y=p1["Weight"] 1 2 3 4 5 6 7 8 9 10 ```python y = np.array(y).reshape(-1, 1) x = np.array(x).reshape(-1, 1) # 拟合2.skleran库完成 prediction = reg.predict(y) # 根据高度，按照拟合的曲线预测温度值 plt.xlabel('身高') plt.ylabel('体重') plt.scatter(x,y) y1 = a*x + b plt.plot(x,y1,c='r')20组 200组 2000组 三.总结 excle和借助skleran库进行回归分析结果接近，都是借用调用现有的函数进行分析得到结果，操作简单。 |
【本文地址】
今日新闻 |
推荐新闻 |