Mooc上一篇的房屋和價格回歸預測使用的一元線性回歸,這次該用多項式看看拟合效果有什麼變化。
1.多項式原理簡單介紹
(1).基本概念
多項式回歸(Polynomial Regression)是研究一個因變量與一個或多個自變量間多項式的回歸分析方法。如果自變量隻有一個 時,稱為一元多項式回歸;如果自變量有多個時,稱為多元多項式回歸。
在一元回歸分析中,如果依變量y與自變量x的關系為非線性的,但是又找不到适當的函數曲線來拟合,則可以采用一元多項式回歸。
多項式回歸的最大優點就是可以通過增加x的高次項對實測點進行逼近,直至滿意為止。
事實上,多項式回歸可以處理相當一類非線性問題,它在回歸分析 中占有重要的地位,因為任一函數都可以分段用多項式來逼近。
2.代碼
import matplotlib.pyplot as plt
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn import linear_model
plt.rcParams['font.sans-serif']=['SimHei']
datasets_X=[]
datasets_Y=[]
fr=open('./prices.txt',
'r')
lines=fr.readlines()
for line in lines:
items = line.strip().split(',')
datasets_X.append(int(items[0]))
datasets_Y.append(int(items[1]))
length=len(datasets_X)
datasets_X=np.array(datasets_X).reshape([length,1])
datasets_Y=np.array(datasets_Y)
# print(datasets_X)
maxX=np.max(datasets_X)
minX=np.min(datasets_X)
X=np.arange(minX,maxX).reshape([-1,1])
#調用算法
poly_reg=PolynomialFeatures(degree=2)
#degree=2表示建立datasets_X的二 次多項式特征X_poly。
#更該數值可以提高曲線向真實點的逼近效果
X_poly=poly_reg.fit_transform(datasets_X)#利用創建好的特稱來訓練
#創建線性回歸器
lin_reg_2=linear_model.LinearRegression()
lin_reg_2.fit(X_poly,datasets_Y)
#圖像
plt.scatter(datasets_X,datasets_Y,color='r')
plt.plot(X,lin_reg_2.predict(poly_reg.fit_transform(X)),color='b')
plt.xlabel('Area')
plt.title('房屋價格和面積關系非線性拟合')
plt.ylabel('Price')
plt.show()
圖示效果為4次多項式特征
,更多精彩资讯请关注tft每日頭條,我们将持续为您更新最新资讯!