文章目录
- excel和jupyter实现线性回归
- 1、使用excel进行实现
- jupyter实现
- 总结
excel和jupyter实现线性回归
1、使用excel进行实现
添加数据分析工具
新建空白Excel文档，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”：
勾选“分析工具库”、“分析工具库-VBA”、“规划求解加载项”，点击确定：
菜单栏选择数据，在最右方会看到“数据分析”和“规划求解”，表示添加成功。
excel完成线性分析
打开weights_heights(身高-体重数据集).xsl，菜单选择数据->数据分析->回归->确定
20组测量数据：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-P3LbXGIF-1678614061647)(…/…/AppData/Roaming/Typora/typora-user-images/image-20230312165842612.png)]
200组数据：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Yz9ayWZ8-1678614061648)(…/…/AppData/Roaming/Typora/typora-user-images/image-20230312165905620.png)]
2000组数据:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WwZhIgAa-1678614061650)(…/…/AppData/Roaming/Typora/typora-user-images/image-20230312170021259.png)]
20000组数据：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FOHREzIr-1678614061651)(…/…/AppData/Roaming/Typora/typora-user-images/image-20230312170030923.png)]
jupyter实现
上传数据文件
20组数据：
代码：
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(200)
x=p1["Height"]
y=p1["Weight"]
# 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()
# 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)
# 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')输出结果：
回归线方程:y = 4.128x +(-152.2338)
相关回归系数为0.3254
200组数据：
将上述的head改为200即可
结果：
回归线方程:y = 3.4317x +(-105.959)
相关回归系数为0.31
2000组数据：
将上述的head改为200即可
结果：
回归线方程:y = 2.9555x +(-73.6608)
相关回归系数为0.2483
20000组数据：
将上述的head改为20000即可
结果：
回归线方程:y = 3.071x +(-81.691)
相关回归系数为0.2513
借助skleran库完成
20组数据
代码：
# 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"]
# 数据处理
# sklearn 拟合输入输出一般都是二维数组，这里将一维转换为二维。
y = np.array(y).reshape(-1, 1)
x = np.array(x).reshape(-1, 1)
# 拟合
reg = LinearRegression()
reg.fit(x,y)
a = reg.coef_[0][0] # 系数
b = reg.intercept_[0] # 截距
print('拟合的方程为：Y = %.4fX + (%.4f)' % (a, b))
c=reg.score(x,y) # 相关系数
print(f'相关回归系数为%.4f'%c)
# 可视化
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')结果：
拟合的方程为：Y = 4.1280X + (-152.2338)
相关回归系数为0.3254
200组数据
修改head里的数据即可
结果：
拟合的方程为：Y = 3.4317X + (-105.9590)
相关回归系数为0.3100
2000组数据
结果：
拟合的方程为：Y = 2.9555X + (-73.6608)
相关回归系数为0.2483
20000组数据
结果：
拟合的方程为：Y = 3.0710X + (-81.6910)
相关回归系数为0.2513
总结
本次作业的难度不是很高，只需要简单的了解概念以及了解关于线性回归中excel和sklearn库的使用就可以了
