Bygga Multipel Linjär Regression
OLS-klassen möjliggör att bygga multipel linjär regression på samma sätt som enkel linjär regression. Tyvärr hanterar dock inte funktionen np.polyfit() fallet med flera variabler.
Vi kommer att använda OLS-klassen.
Bygga X̃-matrisen
Vi har samma dataset som i exemplet med enkel linjär regression, men nu finns även moderns längd som den andra variabeln. Vi laddar in det och tittar på dess X-variabel:
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())
Kom ihåg att vi bör använda OLS(y, X_tilde) för att initiera OLS-objektet. Som du kan se innehåller variabeln X redan två egenskaper i separata kolumner. För att få X_tilde behöver vi bara lägga till 1:or som första kolumn. Funktionen sm.add_constant(X) gör precis detta!
123# Create X_tilde X_tilde = sm.add_constant(X) print(X_tilde.head())
Hitta parametrarna
Utmärkt! Nu kan vi bygga modellen, hitta parametrarna och göra prediktioner på samma sätt som vi gjorde i föregående avsnitt.
12345678910111213141516import numpy as np # 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)
Eftersom vår träningsmängd nu har 2 variabler behöver vi ange 2 variabler för varje ny instans vi vill förutsäga. Därför användes np.array([[65, 62],[70, 65],[75, 70]]) i exemplet ovan. Det förutsäger y för 3 nya instanser: [Father:65,Mother:62], [Father:70, Mother:65], [Father:75, Mother:70].
Tack för dina kommentarer!
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Can you explain what the X_tilde matrix represents in multiple linear regression?
How does the OLS class handle multiple features differently from np.polyfit()?
What do the beta_0, beta_1, and beta_2 parameters mean in this context?
Awesome!
Completion rate improved to 5.26Bygga Multipel Linjär Regression
Svep för att visa menyn
OLS-klassen möjliggör att bygga multipel linjär regression på samma sätt som enkel linjär regression. Tyvärr hanterar dock inte funktionen np.polyfit() fallet med flera variabler.
Vi kommer att använda OLS-klassen.
Bygga X̃-matrisen
Vi har samma dataset som i exemplet med enkel linjär regression, men nu finns även moderns längd som den andra variabeln. Vi laddar in det och tittar på dess X-variabel:
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())
Kom ihåg att vi bör använda OLS(y, X_tilde) för att initiera OLS-objektet. Som du kan se innehåller variabeln X redan två egenskaper i separata kolumner. För att få X_tilde behöver vi bara lägga till 1:or som första kolumn. Funktionen sm.add_constant(X) gör precis detta!
123# Create X_tilde X_tilde = sm.add_constant(X) print(X_tilde.head())
Hitta parametrarna
Utmärkt! Nu kan vi bygga modellen, hitta parametrarna och göra prediktioner på samma sätt som vi gjorde i föregående avsnitt.
12345678910111213141516import numpy as np # 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)
Eftersom vår träningsmängd nu har 2 variabler behöver vi ange 2 variabler för varje ny instans vi vill förutsäga. Därför användes np.array([[65, 62],[70, 65],[75, 70]]) i exemplet ovan. Det förutsäger y för 3 nya instanser: [Father:65,Mother:62], [Father:70, Mother:65], [Father:75, Mother:70].
Tack för dina kommentarer!
