菜单
×
   ❮     
HTML CSS JAVASCRIPT SQL PYTHON JAVA PHP HOW TO W3.CSS C C++ C# BOOTSTRAP REACT MYSQL JQUERY EXCEL XML DJANGO NUMPY PANDAS NODEJS R TYPESCRIPT ANGULAR GIT POSTGRESQL MONGODB ASP AI GO KOTLIN SASS VUE DSA GEN AI SCIPY AWS CYBERSECURITY DATA SCIENCE
     ❯   

Python 教程

Python 主页 Python 简介 Python 入门 Python 语法 Python 注释 Python 变量 Python 数据类型 Python 数字 Python 类型转换 Python 字符串 Python 布尔值 Python 运算符 Python 列表 Python 元组 Python 集合 Python 字典 Python If...Else Python While 循环 Python For 循环 Python 函数 Python Lambda Python 数组 Python 类/对象 Python 继承 Python 迭代器 Python 多态 Python 作用域 Python 模块 Python 日期 Python 数学 Python JSON Python 正则表达式 Python PIP Python Try...Except Python 用户输入 Python 字符串格式化

文件处理

Python 文件处理 Python 读取文件 Python 写入/创建文件 Python 删除文件

Python 模块

NumPy 教程 Pandas 教程 SciPy 教程 Django 教程

Python Matplotlib

Matplotlib 简介 Matplotlib 入门 Matplotlib Pyplot Matplotlib 绘图 Matplotlib 标记 Matplotlib 线条 Matplotlib 标签 Matplotlib 网格 Matplotlib 子图 Matplotlib 散点图 Matplotlib 条形图 Matplotlib 直方图 Matplotlib 饼图

机器学习

入门 均值、中位数、众数 标准差 百分位数 数据分布 正态数据分布 散点图 线性回归 多项式回归 多元回归 缩放 训练/测试 决策树 混淆矩阵 层次聚类 逻辑回归 网格搜索 分类数据 K-means Bootstrap Aggregation 交叉验证 AUC - ROC 曲线 K-近邻

Python MySQL

MySQL 入门 MySQL 创建数据库 MySQL 创建表 MySQL 插入 MySQL 选择 MySQL Where MySQL Order By MySQL 删除 MySQL 删除表 MySQL 更新 MySQL Limit MySQL Join

Python MongoDB

MongoDB 入门 MongoDB 创建数据库 MongoDB 集合 MongoDB 插入 MongoDB Find MongoDB Query MongoDB Sort MongoDB 删除 MongoDB 删除集合 MongoDB 更新 MongoDB Limit

Python 参考

Python 概述 Python 内置函数 Python 字符串方法 Python 列表方法 Python 字典方法 Python 元组方法 Python 集合方法 Python 文件方法 Python 关键字 Python 异常 Python 词汇表

模块参考

Random 模块 Requests 模块 Statistics 模块 Math 模块 cMath 模块

Python 如何操作

删除列表重复项 反转字符串 两个数字相加

Python 示例

Python 示例 Python 编译器 Python 练习 Python 测验 Python 服务器 Python 面试问答 Python 训练营 Python 证书

机器学习 - 多项式回归


多项式回归

如果您的数据点明显不适合线性回归(穿过所有数据点的直线),那么多项式回归可能就是理想的选择。

多项式回归与线性回归一样,使用变量 x 和 y 之间的关系来找到穿过数据点的最佳直线。


它是如何工作的?

Python 提供了用于查找数据点之间关系和绘制多项式回归线的方法。我们将向您展示如何使用这些方法,而不是深入研究数学公式。

在下面的示例中,我们记录了 18 辆汽车通过某个收费站的情况。

我们记录了汽车的速度,以及通过的时间(小时)。

x 轴表示一天中的小时,y 轴表示速度。

示例

首先绘制散点图

import matplotlib.pyplot as plt

x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]

plt.scatter(x, y)
plt.show()

结果

运行示例 »

示例

导入 numpymatplotlib,然后绘制多项式回归线

import numpy
import matplotlib.pyplot as plt

x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]

mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))

myline = numpy.linspace(1, 22, 100)

plt.scatter(x, y)
plt.plot(myline, mymodel(myline))
plt.show()

结果

运行示例 »

示例解释

导入所需的模块。

您可以在我们的 NumPy 教程中了解 NumPy 模块。

您可以在我们的 SciPy 教程中了解 SciPy 模块。

import numpy
import matplotlib.pyplot as plt

创建表示 x 和 y 轴值的数组

x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]

NumPy 有一个方法可以让我们创建多项式模型

mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))

然后指定直线的显示方式,我们从位置 1 开始,到位置 22 结束

myline = numpy.linspace(1, 22, 100)

绘制原始散点图

plt.scatter(x, y)

绘制多项式回归线

plt.plot(myline, mymodel(myline))

显示图表

plt.show()



R-平方

了解 x 轴和 y 轴变量之间的关系有多好很重要,如果没有关系,多项式回归就无法用于任何预测。

这种关系用一个称为 r-squared 的值来衡量。

r-squared 值范围从 0 到 1,其中 0 表示没有关系,1 表示 100% 相关。

Python 和 Sklearn 模块可以为您计算此值,您只需将 x 和 y 数组输入其中即可

示例

我的数据在多项式回归中的拟合度如何?

import numpy
from sklearn.metrics import r2_score

x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]

mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))

print(r2_score(y, mymodel(x)))
亲自尝试 »

注意:结果 0.94 表明存在非常好的关系,我们可以将多项式回归用于未来的预测。


预测未来值

现在我们可以利用收集到的信息来预测未来值。

示例:让我们尝试预测一辆在 17:00 左右通过收费站的汽车的速度。

为此,我们需要上面示例中的相同 mymodel 数组

mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))

示例

预测 17:00 通过的汽车的速度

import numpy
from sklearn.metrics import r2_score

x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]

mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))

speed = mymodel(17)
print(speed)
运行示例 »

该示例预测的速度为 88.87,我们也可以从图表中读出这个值。


拟合不佳?

让我们创建一个多项式回归不适合用于预测未来值的示例。

示例

这些 x 轴和 y 轴的值对于多项式回归来说应该拟合得很差。

import numpy
import matplotlib.pyplot as plt

x = [89,43,36,36,95,10,66,34,38,20,26,29,48,64,6,5,36,66,72,40]
y = [21,46,3,35,67,95,53,72,58,10,26,34,90,33,38,20,56,2,47,15]

mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))

myline = numpy.linspace(2, 95, 100)

plt.scatter(x, y)
plt.plot(myline, mymodel(myline))
plt.show()

结果

运行示例 »

那么 r-squared 值是多少?

示例

您应该得到一个非常低的 r-squared 值。

import numpy
from sklearn.metrics import r2_score

x = [89,43,36,36,95,10,66,34,38,20,26,29,48,64,6,5,36,66,72,40]
y = [21,46,3,35,67,95,53,72,58,10,26,34,90,33,38,20,56,2,47,15]

mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))

print(r2_score(y, mymodel(x)))
亲自尝试 »

结果:0.00995 表明关系非常糟糕,并且告诉我们该数据集不适合多项式回归。


×

联系销售

如果您想将 W3Schools 服务用于教育机构、团队或企业,请发送电子邮件给我们
sales@w3schools.com

报告错误

如果您想报告错误,或想提出建议,请发送电子邮件给我们
help@w3schools.com

W3Schools 经过优化,旨在方便学习和培训。示例可能经过简化,以提高阅读和学习体验。教程、参考资料和示例会不断审查,以避免错误,但我们无法保证所有内容的完全正确性。使用 W3Schools 即表示您已阅读并接受我们的使用条款Cookie 和隐私政策

版权所有 1999-2024 Refsnes Data。保留所有权利。W3Schools 由 W3.CSS 提供支持