Bygge Multippel Lineær Regresjon
OLS-klassen gjør det mulig å bygge multippel lineær regresjon på samme måte som enkel lineær regresjon. Dessverre håndterer ikke funksjonen np.polyfit() tilfeller med flere variabler.
Vi holder oss til OLS-klassen.
Bygging av X̃-matrisen
Vi har det samme datasettet som i eksempelet med enkel lineær regresjon, men nå har det mors høyde som den andre variabelen. Vi laster det inn og ser på X-variabelen:
123456789import pandas as pd import statsmodels.api as sm file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file # Assign the variables X = df[['Father', 'Mother']] y = df['Height'] print(X.head())
Husk at vi skal bruke OLS(y, X_tilde) for å initialisere OLS-objektet. Som du ser, inneholder X-variabelen allerede to egenskaper i separate kolonner. For å få X_tilde, trenger vi bare å legge til 1-ere som første kolonne. Funksjonen sm.add_constant(X) gjør akkurat dette!
1234567891011import pandas as pd import statsmodels.api as sm file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file # Assign the variables X = df[['Father', 'Mother']] y = df['Height'] # Create X_tilde X_tilde = sm.add_constant(X) print(X_tilde.head())
Finne parameterne
Flott! Nå kan vi bygge modellen, finne parameterne og gjøre prediksjoner på samme måte som vi gjorde i forrige seksjon.
12345678910111213141516171819202122import pandas as pd import statsmodels.api as sm import numpy as np file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file X,y = df[['Father', 'Mother']], df['Height'] # Assign the variables X_tilde = sm.add_constant(X) # Create X_tilde # Initialize an OLS object regression_model = sm.OLS(y, X_tilde) # Train the object regression_model = regression_model.fit() # Get the paramters beta_0, beta_1, beta_2 = regression_model.params print('beta_0 is: ', beta_0) print('beta_1 is: ', beta_1) print('beta_2 is: ', beta_2) # Predict new values X_new = np.array([[65, 62],[70, 65],[75, 70]]) # Feature values of new instances X_new_tilde = sm.add_constant(X_new) # Preprocess X_new y_pred = regression_model.predict(X_new_tilde) # Predict the target print('Predictions:', y_pred)
Nå som treningssettet vårt har 2 funksjoner, må vi oppgi 2 funksjoner for hver ny instans vi ønsker å predikere. Derfor ble np.array([[65, 62],[70, 65],[75, 70]]) brukt i eksemplet ovenfor. Det predikerer y for 3 nye instanser: [Father:65,Mother:62], [Father:70, Mother:65], [Father:75, Mother:70].
Takk for tilbakemeldingene dine!
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
Awesome!
Completion rate improved to 5.26Bygge Multippel Lineær Regresjon
Sveip for å vise menyen
OLS-klassen gjør det mulig å bygge multippel lineær regresjon på samme måte som enkel lineær regresjon. Dessverre håndterer ikke funksjonen np.polyfit() tilfeller med flere variabler.
Vi holder oss til OLS-klassen.
Bygging av X̃-matrisen
Vi har det samme datasettet som i eksempelet med enkel lineær regresjon, men nå har det mors høyde som den andre variabelen. Vi laster det inn og ser på X-variabelen:
123456789import pandas as pd import statsmodels.api as sm file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file # Assign the variables X = df[['Father', 'Mother']] y = df['Height'] print(X.head())
Husk at vi skal bruke OLS(y, X_tilde) for å initialisere OLS-objektet. Som du ser, inneholder X-variabelen allerede to egenskaper i separate kolonner. For å få X_tilde, trenger vi bare å legge til 1-ere som første kolonne. Funksjonen sm.add_constant(X) gjør akkurat dette!
1234567891011import pandas as pd import statsmodels.api as sm file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file # Assign the variables X = df[['Father', 'Mother']] y = df['Height'] # Create X_tilde X_tilde = sm.add_constant(X) print(X_tilde.head())
Finne parameterne
Flott! Nå kan vi bygge modellen, finne parameterne og gjøre prediksjoner på samme måte som vi gjorde i forrige seksjon.
12345678910111213141516171819202122import pandas as pd import statsmodels.api as sm import numpy as np file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file X,y = df[['Father', 'Mother']], df['Height'] # Assign the variables X_tilde = sm.add_constant(X) # Create X_tilde # Initialize an OLS object regression_model = sm.OLS(y, X_tilde) # Train the object regression_model = regression_model.fit() # Get the paramters beta_0, beta_1, beta_2 = regression_model.params print('beta_0 is: ', beta_0) print('beta_1 is: ', beta_1) print('beta_2 is: ', beta_2) # Predict new values X_new = np.array([[65, 62],[70, 65],[75, 70]]) # Feature values of new instances X_new_tilde = sm.add_constant(X_new) # Preprocess X_new y_pred = regression_model.predict(X_new_tilde) # Predict the target print('Predictions:', y_pred)
Nå som treningssettet vårt har 2 funksjoner, må vi oppgi 2 funksjoner for hver ny instans vi ønsker å predikere. Derfor ble np.array([[65, 62],[70, 65],[75, 70]]) brukt i eksemplet ovenfor. Det predikerer y for 3 nye instanser: [Father:65,Mother:62], [Father:70, Mother:65], [Father:75, Mother:70].
Takk for tilbakemeldingene dine!
