12. 多项式回归
2017-08-12 12:13
204 查看
多项式回归
sklearn中多项式回归
房屋价格预测
例如:X=[x1,x2]
使用PolynomialFeatures构造X的二次多项式特征X_Poly:X_Poly=[x1,x2,x1x2,x21,x22]
使用linear_model学习XPoly和y之间的映射关系。
sklearn中多项式回归
房屋价格预测
多项式回归
多项式回归(Polynomial Regression)是研究一个因变量与一个或多个自变量间多项式的回归分析方法。如果自变量只有一个时,称为一元多项式回归;如果自变量有多个时,称为多元多项式回归。sklearn中多项式回归
这里的多项式回归实际上是先将变量X处理成多项式特征,然后使用线性模型学 习多项式特征的参数,以达到多项式回归的目的。例如:X=[x1,x2]
使用PolynomialFeatures构造X的二次多项式特征X_Poly:X_Poly=[x1,x2,x1x2,x21,x22]
使用linear_model学习XPoly和y之间的映射关系。
房屋价格预测
import numpy as np import matplotlib.pyplot as plt # 线性回归模块 from sklearn import linear_model # 多项式特征构造模块 from sklearn.preprocessing import PolynomialFeatures # 读取数据集 dataset_X = [] dataset_Y = [] fr = open('Data/prices.txt', 'r') lines = fr.readlines() for line in lines: items = line.strip().split(',') dataset_X.append(int(items[0])) dataset_Y.append(int(items[1])) length = len(dataset_X) dataset_X = np.array(dataset_X).reshape([length, 1]) dataset_Y = np.array(dataset_Y) minX = min(dataset_X) maxX = max(dataset_X) X = np.arange(minX, maxX).reshape([-1, 1]) # degree=2表示建立dataset_X的二次多项式特征X_poly poly_reg = PolynomialFeatures(degree=2) X_poly = poly_reg.fit_transform(dataset_X) # 创建线性回归,使用线性模型学习X_poly # 和dataset_Y之间的映射关系 lin_reg_2 = linear_model.LinearRegression() lin_reg_2.fit(X_poly, dataset_Y) # 图像中显示 plt.scatter(dataset_X, dataset_Y, color='red') plt.plot(X, lin_reg_2.predict(poly_reg.fit_transform(X)), color='blue') plt.xlabel('Area') plt.ylabel('Price') plt.show()
相关文章推荐
- 机器学习之——多项式回归和正规方程
- 机器学习入门(12)--线性回归之正规方程
- 斯坦福机器学习Coursera课程:第五次作业--正则多项式回归和误差分析
- 回归----多项式拟合正弦曲线
- 机器学习笔记之特征及多项式回归
- [回归分析][12]--主成分分析
- 最简单单变量多项式回归
- 多项式回归
- 机器学习02线性回归、多项式回归、正规方程
- 斯坦福大学机器学习笔记——特征和多项式回归以及正规方程
- 简单线性回归和多项式回归
- 多项式回归
- R-12-线形回归模型summary
- 在R语言中进行局部多项式回归拟合(LOESS)
- 【python数据挖掘课程】十八.线性回归及多项式回归分析四个案例分享
- 多项式回归
- 数据科学之机器学习12: Logisic回归
- 多项式回归学习笔记
- Coursera_Stanford_ML_ex5_正则多项式回归和误差分析 作业记录
- 分别使用1次,2次,4次多项式回归模型在比萨训练样本上进行拟合