溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要為大家展示了“怎么用Scikit-Learn和Pandas實現線性回歸”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“怎么用Scikit-Learn和Pandas實現線性回歸”這篇文章吧。
沒有數據，當然沒法研究機器學習啦。:) 這里我們用UCI大學公開的機器學習數據來跑線性回歸。
數據的介紹在這： http://archive.ics.uci.edu/ml/datasets/Combined+Cycle+Power+Plant
數據的下載地址在這： http://archive.ics.uci.edu/ml/machine-learning-databases/00294/
里面是一個循環發電場的數據，共有9568個樣本數據，每個數據有5列，分別是:AT（溫度）, V（壓力）, AP（濕度）, RH（壓強）, PE（輸出電力)。我們不用糾結于每項具體的意思。
我們的問題是得到一個線性的關系，對應PE是樣本輸出，而AT/V/AP/RH這4個是樣本特征， 機器學習的目的就是得到一個線性回歸模型，即:
PE=θ_0+θ_1*AT+θ_2*V+θ_3*AP+θ_4*RH
而需要學習的，就是θ_0、θ_1、θ_2、θ_3、θ_4這5個參數。
下載后的數據可以發現是一個壓縮文件，解壓后可以看到里面有一個xlsx文件，我們先用excel把它打開，接著“另存為“”csv格式，保存下來，后面我們就用這個csv來運行線性回歸。
打開這個csv可以發現數據已經整理好，沒有非法數據，因此不需要做預處理。但是這些數據并沒有歸一化，也就是轉化為均值0，方差1的格式。也不用我們搞，后面scikit-learn在線性回歸時會先幫我們把歸一化搞定。
好了，有了這個csv格式的數據，我們就可以大干一場了。
我們先打開ipython notebook,新建一個notebook。當然也可以直接在python的交互式命令行里面輸入，不過還是推薦用notebook。下面的例子和輸出我都是在notebook里面跑的。叉車問答
先把要導入的庫聲明了：
import matplotlib.pyplot as plt %matplotlib inline
import numpy as np import pandas as pd from sklearn import datasets, linear_model |
接著我們就可以用pandas讀取數據了：
# read_csv里面的參數是csv在你電腦上的路徑，此處csv文件放在notebook運行目錄下面的CCPP目錄里 data = pd.read_csv('.\CCPP\ccpp.csv') |
測試下讀取數據是否成功：
#讀取前五行數據，如果是最后五行，用data.tail() data.head() |
運行結果應該如下，看到下面的數據，說明pandas讀取數據成功：
| AT | V | AP | RH | PE | |
|---|---|---|---|---|---|
| 0 | 8.34 | 40.77 | 1010.84 | 90.01 | 480.48 |
| 1 | 23.64 | 58.49 | 1011.40 | 74.20 | 445.75 |
| 2 | 29.74 | 56.90 | 1007.15 | 41.91 | 438.76 |
| 3 | 19.07 | 49.69 | 1007.22 | 76.79 | 453.09 |
| 4 | 11.80 | 40.66 | 1017.13 | 97.20 | 464.43 |
我們看看數據的維度：
data.shape |
結果是(9568, 5)。說明我們有9568個樣本，每個樣本有5列。
現在我們開始準備樣本特征X，我們用AT， V，AP和RH這4個列作為樣本特征。
X = data[['AT', 'V', 'AP', 'RH']] X.head() |
可以看到X的前五條輸出如下：
| AT | V | AP | RH | |
|---|---|---|---|---|
| 0 | 8.34 | 40.77 | 1010.84 | 90.01 |
| 1 | 23.64 | 58.49 | 1011.40 | 74.20 |
| 2 | 29.74 | 56.90 | 1007.15 | 41.91 |
| 3 | 19.07 | 49.69 | 1007.22 | 76.79 |
| 4 | 11.80 | 40.66 | 1017.13 | 97.20 |
接著我們準備樣本輸出y， 我們用PE作為樣本輸出。
y = data[['PE']] y.head() |
可以看到y的前五條輸出如下：
| PE | |
| 0 | 480.48 |
| 1 | 445.75 |
| 2 | 438.76 |
| 3 | 453.09 |
| 4 | 464.43 |
我們把X和y的樣本組合劃分成兩部分，一部分是訓練集，一部分是測試集，代碼如下：
from sklearn.cross_validation import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1) |
查看下訓練集和測試集的維度：
print X_train.shape print y_train.shape print X_test.shape print y_test.shape |
結果如下：
(7176, 4) (7176, 1) (2392, 4) (2392, 1) |
可以看到75%的樣本數據被作為訓練集，25%的樣本被作為測試集。
終于到了臨門一腳了，我們可以用scikit-learn的線性模型來擬合我們的問題了。scikit-learn的線性回歸算法使用的是最小二乘法來實現的。代碼如下：
from sklearn.linear_model import LinearRegression linreg = LinearRegression() linreg.fit(X_train, y_train) |
擬合完畢后，我們看看我們的需要的模型系數結果：
print linreg.intercept_ print linreg.coef_ |
輸出如下：
[ 447.06297099] [[-1.97376045 -0.23229086 0.0693515 -0.15806957]] |
這樣我們就得到了在步驟1里面需要求得的5個值。也就是說PE和其他4個變量的關系如下：
PE=447.06297099-1.97376045*AT-0.23229086*V+0.0693515*AP-0.15806957*RH
我們需要評估我們的模型的好壞程度，對于線性回歸來說，我們一般用均方差（Mean Squared Error, MSE）或者均方根差(Root Mean Squared Error, RMSE)在測試集上的表現來評價模型的好壞。
我們看看我們的模型的MSE和RMSE，代碼如下：
#模型擬合測試集 y_pred = linreg.predict(X_test) from sklearn import metrics # 用scikit-learn計算MSE print "MSE:",metrics.mean_squared_error(y_test, y_pred) # 用scikit-learn計算RMSE print "RMSE:",np.sqrt(metrics.mean_squared_error(y_test, y_pred)) |
輸出如下：
MSE: 20.0804012021 RMSE: 4.48111606657 |
得到了MSE或者RMSE，如果我們用其他方法得到了不同的系數，需要選擇模型時，就用MSE小的時候對應的參數。
比如這次我們用AT， V，AP這3個列作為樣本特征。不要RH， 輸出仍然是PE。代碼如下：
X = data[['AT', 'V', 'AP']] y = data[['PE']] X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1) from sklearn.linear_model import LinearRegression linreg = LinearRegression() linreg.fit(X_train, y_train) #模型擬合測試集 y_pred = linreg.predict(X_test) from sklearn import metrics # 用scikit-learn計算MSE print "MSE:",metrics.mean_squared_error(y_test, y_pred) # 用scikit-learn計算RMSE print "RMSE:",np.sqrt(metrics.mean_squared_error(y_test, y_pred)) |
輸出如下：
MSE: 23.2089074701 RMSE: 4.81756239919 |
可以看出，去掉RH后，模型擬合的沒有加上RH的好，MSE變大了。
我們可以通過交叉驗證來持續優化模型，代碼如下，我們采用10折交叉驗證，即cross_val_predict中的cv參數為10：
X = data[['AT', 'V', 'AP', 'RH']] y = data[['PE']] from sklearn.model_selection import cross_val_predict predicted = cross_val_predict(linreg, X, y, cv=10) # 用scikit-learn計算MSE print "MSE:",metrics.mean_squared_error(y, predicted) # 用scikit-learn計算RMSE print "RMSE:",np.sqrt(metrics.mean_squared_error(y, predicted)) |
輸出如下：
MSE: 20.7955974619 RMSE: 4.56021901469 |
可以看出，采用交叉驗證模型的MSE比第6節的大，主要原因是我們這里是對所有折的樣本做測試集對應的預測值的MSE，而第6節僅僅對25%的測試集做了MSE。兩者的先決條件并不同。
這里畫圖真實值和預測值的變化關系，離中間的直線y=x直接越近的點代表預測損失越低。代碼如下：
fig, ax = plt.subplots() ax.scatter(y, predicted) ax.plot([y.min(), y.max()], [y.min(), y.max()], 'k--', lw=4) ax.set_xlabel('Measured') ax.set_ylabel('Predicted') plt.show() |
以上是“怎么用Scikit-Learn和Pandas實現線性回歸”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
