Давайте рассмотрим пример простой линейной регрессии на Python с использованием библиотеки scikit-learn. В этом примере мы будем предсказывать значения зависимой переменной (Y) на основе одной независимой переменной (X).
Сначала вам нужно установить библиотеку scikit-learn, если она еще не установлена. Вы можете использовать pip для установки:
Затем вы можете создать и обучить модель линейной регрессии:
import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
# Создание примеров данных
X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1) # Независимая переменная X
Y = np.array([2, 4, 5, 4, 5]) # Зависимая переменная Y
# Создание и обучение модели линейной регрессии
model = LinearRegression()
model.fit(X, Y)
# Предсказание значений для новых данных
new_X = np.array([6, 7, 8]).reshape(-1, 1)
predictions = model.predict(new_X)
# Вывод результатов
print("Коэффициент наклона (slope):", model.coef_)
print("Свободный член (intercept):", model.intercept_)
print("Предсказанные значения для новых данных:", predictions)
# Визуализация данных и регрессионной линии
plt.scatter(X, Y, color='b', label='Данные')
plt.plot(X, model.predict(X), color='r', label='Регрессия')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()
В этом коде мы создаем и обучаем модель линейной регрессии с использованием исходных данных (X и Y). Затем мы предсказываем значения для новых данных (new_X) и выводим результаты, включая коэффициент наклона и свободный член регрессионной линии. В конце мы визуализируем данные и регрессионную линию с использованием библиотеки matplotlib.
Автор: Евгений Морковин
0 комментариев