一、导入excel文件和相关库

import pandas;import matplotlib;from pandas.tools.plotting import scatter_matrix; data = pandas.read_csv("D:\\面积距离车站.csv",engine='python',encoding='utf-8')

显示文件大小

data.shapedata

二.绘制多个变量两两之间的散点图：scatter_matrix（）方法

#绘制多个变量两两之间的散点图：scatter_matrix（）方法font = { 'family' : 'SimHei'}matplotlib.rc('font', **font)scatter_matrix( data[["area","distance", "money"]], figsize=(10, 10), diagonal='kde') #diagonal参数表示变量与变量本身之间的绘图方式，kde代表直方图#求相关系数矩阵data[["area", "distance", "money"]].corr()x = data[["area", "distance"]]y = data[["money"]]

三、导入sklearn

from sklearn.linear_model import LinearRegression#建模lrModel = LinearRegression()#训练模型lrModel.fit(x, y)#评分R2=lrModel.score(x, y)print("R的平方:",R2)#预测lrModel.predict([[10, 110],[20, 110]])#查看参数lrModel.coef_#查看截距lrModel.intercept_

结果如下：

回归方程为：y=41.51x1-0.34x2+65.32

四、python全部代码

import pandas;import matplotlib;from pandas.tools.plotting import scatter_matrix;data.shape#绘制多个变量两两之间的散点图：scatter_matrix（）方法font = { 'family' : 'SimHei'}matplotlib.rc('font', **font)scatter_matrix( data[["area","distance", "money"]], figsize=(10, 10), diagonal='kde') #diagonal参数表示变量与变量本身之间的绘图方式，kde代表直方图#求相关系数矩阵data[["area", "distance", "money"]].corr()x = data[["area", "distance"]]y = data[["money"]]from sklearn.linear_model import LinearRegression#建模lrModel = LinearRegression()#训练模型lrModel.fit(x, y)#评分R2=lrModel.score(x, y)print("R的平方:",R2)#预测lrModel.predict([[10, 110],[20, 110]])#查看参数lrModel.coef_#查看截距lrModel.intercept_

到此这篇关于详解基于Jupyter notebooks采用sklearn库实现多元回归方程编程的文章就介绍到这了,更多相关Jupyter notebooks sklearn多元回归方程内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！