时间:2022-04-02 10:22 作者:admin

多项式回归是一种线性回归形式，其中自变量x和因变量y之间的关系被建模为n次多项式。多项式回归拟合x的值与y的相应条件均值之间的非线性关系，表示为E（y | x）

为什么多项式回归：

研究人员假设的某些关系是曲线的。显然，这种类型的案例将包括多项式项。 检查残差。如果我们尝试将线性模型拟合到曲线数据，则预测变量（X轴）上的残差（Y轴）的散点图将在中间具有许多正残差的斑块。因此，在这种情况下，这是不合适的。 通常的多元线性回归分析的假设是所有自变量都是独立的。在多项式回归模型中，不满足该假设。

多项式回归的使用：

这些基本上用于定义或描述非线性现象，例如：

组织生长速度。 疾病流行病的进展 湖泊沉积物中碳同位素的分布

回归分析的基本目标是根据自变量x的值来模拟因变量y的期望值。在简单回归中，我们使用以下等式 y = a + bx + e

这里y是因变量，a是y截距，b是斜率，e是误差率。

在许多情况下，这种线性模型将无法解决。例如，如果我们在这种情况下根据合成温度分析化学合成的产生，我们使用二次模型y = a + b1x + b2 ^ 2 + e

这里y是x的因变量，a是y截距，e是误差率。

通常，我们可以将其建模为第n个值。y = a + b1x + b2x ^ 2 + .... + bnx ^ n

由于回归函数在未知变量方面是线性的，因此这些模型从估计的角度来看是线性的。

因此，通过最小二乘技术，让我们计算y的响应值。

python/' target='_blank'>python中的多项式回归:

要获得用于分析多项式回归的数据集，请单击此处。

步骤1：导入库和数据集

导入重要的库和我们用于执行多项式回归的数据集。

# Importing the libraries import numpy as np import matplotlib.pyplot as plt import pandas as pd # Importing the dataset datas = pd.read_csv('data.csv') datas 

第2步：将数据集分为2个组件

将数据集划分为两个组件，即X和yX将包含1到2之间的列.y将包含2列。

X = datas.iloc[:, 1:2].values y = datas.iloc[:, 2].values 

第3步：将线性回归拟合到数据集

拟合线性回归模型在两个组件上。

# Fitting Linear Regression to the dataset from sklearn.linear_model import LinearRegression lin = LinearRegression() lin.fit(X, y) 

第4步：将多项式回归拟合到数据集

将多项式回归模型拟合到两个分量X和y上。

# Fitting Polynomial Regression to the dataset from sklearn.preprocessing import PolynomialFeatures poly = PolynomialFeatures(degree = 4) X_poly = poly.fit_transform(X) poly.fit(X_poly, y) lin2 = LinearRegression() lin2.fit(X_poly, y) 

步骤5：在此步骤中，我们使用散点图可视化线性回归结果。

# Visualising the Linear Regression results plt.scatter(X, y, color = 'blue') plt.plot(X, lin.predict(X), color = 'red') plt.title('Linear Regression') plt.xlabel('Temperature') plt.ylabel('Pressure') plt.show() 

步骤6：使用散点图可视化多项式回归结果。

# Visualising the Polynomial Regression results plt.scatter(X, y, color = 'blue') plt.plot(X, lin2.predict(poly.fit_transform(X)), color = 'red') plt.title('Polynomial Regression') plt.xlabel('Temperature') plt.ylabel('Pressure') plt.show() 

步骤7：使用线性和多项式回归预测新结果。

# Predicting a new result with Linear Regression lin.predict(110.0) 

# Predicting a new result with Polynomial Regression lin2.predict(poly.fit_transform(110.0)) 

使用多项式回归的优点：

广泛的功能可以适应它。 多项式基本上适合宽范围的曲率。 多项式提供了依赖变量和自变量之间关系的最佳近似。

使用多项式回归的缺点

这些对异常值过于敏感。 数据中存在一个或两个异常值会严重影响非线性分析的结果。 此外，遗憾的是，用于检测非线性回归中的异常值的模型验证工具少于线性回归。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。

(责任编辑：admin)