数据的回归分析.pdfVIP

数据的回归分析 ⽬录 ⼀、Excel线性回归数据分析 这⾥使⽤excel的数据分析功能来分析⽗母⾝⾼与⼦⼥⾝⾼的关系 如果没有则需要去⽂件–选项–加载项⾥⾯开启功能 ⾸先点击数据分析，选择回归，然后选择对应的X和Y值，最后选择所需输出的信息即可 这⾥由于没有处理掉多余项，所以相关性会极差并出现以下图⽚，但是也不妨碍⼤概分析 ⽗⼦⾝⾼关系图： 根据图中信息显⽰，⼦⼥的⾝⾼与⽗亲的⾝⾼⼤致呈正⽐关系，并由⽅程得出当⽗亲⾝⾼为75英⼨时，⼦⼥⾝⾼⼤概为69.065英⼨ 母⼦⾝⾼关系图： 根据图中信息显⽰，⼦⼥的⾝⾼与⽗亲的⾝⾼⼤致呈正⽐关系 其实由与没有对数据进⾏预处理，因此得出的回归⽅程并不成⽴，但是我们还是能⼤致看出“母⾼⾼⼀窝，⽗⾼⾼⼀个”的习俗说法还是成 ⽴的 ⼆、判断线性回归是否成⽴ 这⾥判断了4个例⼦的线性回归是否成⽴ 不难看出，除了第三个外，其余例⼦中的线性回归都不成⽴ 三、鸢尾花Iris数据集 1、Anaconda创建虚拟环境及安装对应的包 创建虚拟环境 1.命令⾏创建 打开命令⾏ 输⼊下⾯命令 conda create-n sklearn python=3.6 tf1是⾃⼰为创建虚拟环境取的名字，后⾯python的版本可以根据⾃⼰需求进⾏选择。 2.界⾯创建 打开界⾯ 创建环境 安装包 2、LinearSVC （C）⽅式实现分类 导⼊需要使⽤的包 #导⼊相应的包 import numpyas np import matplotlib.pyplotas plt from sklearnimport datasets from sklearn.preprocessingimport StandardScaler from sklearn.svmimport LinearSVC 获取数据 # 获取所需数据集 iris=datasets.load_iris() #每⾏的数据，⼀共四列，每⼀列映射为feature_names中对应的值 X=iris.data #每⾏数据对应的分类结果值（也就是每⾏数据的label值）,取值为[0,1,2] Y=iris.target #通过Y=iris.target.size，可以得到⼀共150⾏数据,三个类别个50条数据，并且数据是按照0，1，2的顺序放的 对数据进⾏处理 #只取y2的类别，也就是0 1并且只取前两个特征 X=X[:,:2] #获取0 1类别的数据 Y1=Y[Y2] y1=len(Y1) #获取0类别的数据 Y2=Y[Y1] y2=len(Y2) X=X[:y1,:2] 未经标准化的原始数据点的绘制 #绘制出类别0和类别1 plt.scatter(X[0:y2,0],X[0:y2,1],color=red) plt.scatter(X[y2+1:y1,0],X[y2+1:y1,1],color=blue) plt.show() 数据归⼀化处理 #标准化 standardScaler=StandardScaler() standardScaler.fit(X) #计算训练数据的均值和⽅差 X_standard=standardScaler.transform(X) #⽤scaler中的均值和⽅差来转换X,使X标准化 svc=LinearSVC(C=1e9) svc.fit(X_standard,Y1) 画出决策边界 相关函数的说明： meshgrid() 返回了有两个向量定义的⽅形空间中的所有点的集合。x0是x值，x1是y的值 ravel() 将向量拉成⼀⾏ c_[] 将向量排列在⼀起 contourf() 等⾼线 def plot_decision_boundary(model, axis): x0 , x1 = np .meshgrid(