Python与机器学习（第2版）（微课版） 课件 3-04-多项式回归预测任务实施.pptx

课程负责人：陈清华

票房多项式回归预测任务实施

【数据挖掘应用】课程

观影数据回归分析

知识与能力目标

掌握多项式回归分析方法；

会使用sklearn实现多项式回归分析应用；

会熟练使用matplotlib进行可视化展现；

会按需求展现回归模型。

使用多项式回归对票房进行预测

主要内容

任务工单

引导问题

任务评价标准

任务解决方案

代码解析

film.txt

教学难点

基于放映天数构建多项式特征，并使用sklearn中的线性模型实现多项式回归分析。

任务概述

任务描述：

根据放映天数，使用多项式回归分析和预测电影日均票房，并用图的形式展现所到模型的异同。

任务工单

010

01001100110

101010010011011

0100101010000101101110100

10101

0110101001

10

1001

0

（1）线性回归与多项式回归的本质区别是什么？

（2）sklearn中如何实现多项式回归，实现方法上与线性回归有何不同？

（3）sklearn中，线性回归与多项式回归的实现又有何共通之处？

”

问题引导：

任务概述

任务评价：

任务概述

评价内容

评价要点

分值

分数评定

自我

评价

1.任务实施

数据预处理

记录使用的degree参数值：________

4分

导包正确得1分，能正确构造多项式特征得2分。Degree正确设置得1分

模型训练

1分

代码正确且顺利执行得1分

模型展现

3分

展现原始数据完整得1分，展现结果清晰得1分。结合展现线性回归模型得1分

2.效果评估

分析模型得准确性，并得出评估结论

3分

准确率有提升得1分

3.任务总结

依据任务实施情况总结结论

1分

总结内容切中本任务的重点要点得1分

合计

10分

第1行：导入sklearn包中相关的包

第2、3行：设置x和y的值

fromsklearnimportlinear_model

x=df[[放映天数]]

y=df[[日均票房/万元]]

regr=linear_model.LinearRegression()

任务解决方案

第5行：一元线性回归拟合

regr.fit(x,y)

步骤一：使用一元线性回归进行预测

第4行：初始化线性回归模型

第2行：构造化多项式特征

第4行：构建回归模型进行拟合

poly=PolynomialFeatures(degree=3)

xt=poly.fit_transform(x)

polymodel=linear_model.LinearRegression(）

polymodel.fit(xt,y)

任务解决方案

步骤二：使用多项式回归进行预测

第1行：导入sklearn包中相关的包

fromsklearn.preprocessingimportPolynomialFeatures

任务解决方案

plt.scatter(x,y,color=‘black，label=“原始数据”)

plt.scatter(x,regr.predict(x),color=red,linewidth=1,

label=线性回归,marker=*)

plt.scatter(x,polymodel.predict(xt),color=blue,linewidth=1,

label=多项式回归,marker=^)

plt.legend(loc=2)

步骤三：可视化并比较

任务解决方案

x_min=x.values.min()-0.1

x_max=x.values.max()+0.1

第20、21行：定义界限

第20、21行：定义等距序列，最小值是x_min，最大值是x_max，步长是0.005

x_new=np.arange(x_min,x_max,0.005).reshape(-1,1)

xt_new=poly.fit_transform(x_new)

第22行：定义界限

plt.scatter(x,y,color=black,label=原始数据)

第23行：多项式回归模型结果可视化

plt.scatter(x_new,regr.predict(x_new),color=red,s=2,linewidth=1,label=线性回归)

步骤四：可视化进阶

第24行：在左上角显示图例

plt.legend(loc=2)

plt.show()

任务解决方案

图像显示

步骤四：可视化进阶

小结

1.什么是多项式回归分析？

2.sklearn如何实现