《Python数学建模算法与应用课件》10第10章 回归分析.pptx

;;曲线拟合问题的特点是，根据得到的若干有关变量的一组数据，寻求因变量与自变量之间的函数关系，使这个函数对该组数据拟合得最好。通常函数的形式可以由经验、先验知识或对数据的直观观察决定，要作的工作就是由数据用最小二乘法计算函数中的待定系数。

从数理统计的观点看，最小二乘曲线或函数拟合方法，是根据一个样本的观测值建立拟合函数，并估计拟合函数中的参数。参数估计的结果可以视为一个统计意义上的点估计。如果考虑到观测结果受随机因素的影响，实际进行参数估计时应该给出相应的区间估计。如果置信区间太大，甚至包含了零点，那么参数的估计值就没有多大意义了。在统计学中，研究随机变量之间的关联关系的方法就是回归分析方法。简单地说，回归分析就是对拟合问题作的统计分析。

;;10.1.1一元线性回归分析

;2.参数β0和β1的最小二乘估计;3.相关性检验，判定系数（拟合优度）和剩余标准差

;4.回归方程的显著性检验;10.1.2一元线性回归应用举例;#程序文件ex10_1.py

importnumpyasnp

importstatsmodels.apiassm

importpylabasplt

?

defcheck(d):

x0=d[0];y0=d[1];d={x:x0,y:y0}

re=sm.formula.ols(y~x,d).fit()#拟合线性回归模型

print(re.summary())

print(re.outlier_test())#输出已知数据的野值检验

print(残差的方差,re.mse_resid)

pre=re.get_prediction(d)

df=pre.summary_frame(alpha=0.05)

dfv=df.values;low,upp=dfv[:,4:].T#置信下限上限

r=(upp-low)/2#置信半径

num=np.arange(1,len(x0)+1)

plt.errorbar(num,re.resid,r,fmt=o)

plt.show()

;a=np.loadtxt(data10_1.txt)

plt.rc(font,size=15);plt.plot(a[0],a[1],o)

plt.figure();check(a)

a2=a;a2=np.delete(a2,8,axis=1)#删除第9列

check(a2);a3=a2

a3=np.delete(a3,4,axis=1);check(a3)

;;10.2.1多元线性回归理论;1.回归系数的最小二乘估计;2.回归方程和回归系数的检验;3.回归方程的预测;10.2.2多元线性回归应用;#程序文件ex10_2_1.py

importnumpyasnp

importstatsmodels.apiassm

importpylabasplt

?

a=np.loadtxt(data10_2.txt)

plt.rc(text,usetex=True);plt.rc(font,size=16)

plt.plot(a[0],a[2],*,label=$x_1$)

plt.plot(a[1],a[2],o,label=$x_2$)

plt.legend(loc=upperleft)

d={x1:a[0],x2:a[1],y:a[2]}

re=sm.formula.ols(y~x1+x2,d).fit()

print(re.summary())

yh=re.predict({x1:[9,10],x2:[10,9]})

print(残差的方差:,re.mse_resid)

print(预测值：,yh);plt.show()

?

;基于数组求解的Python程序如下：

#程序文件ex10_2_2.py

importnumpyasnp

importstatsmodels.apiassm

importpylabasplt

?

a=np.loadtxt(data10_2.txt)

plt.rc(text,usetex=True);plt.rc(font,size=16)

plt.plot(a[0],a[2],*,label=$x_1$)

plt.plot(a[1],a[2],o,label=$x_2$)

plt.legend(loc=upperleft)

X=sm.add_c