Inhalt

・ Modellierungsfluss ・ Lassen Sie uns eine einfache Regressionsanalyse durchführen

Modellierungsfluss

(1) Bestimmen Sie die erklärende Variable (x-Achse) und die Zielvariable (y-Achse) im Voraus. ② Lesen Sie die Daten ③ Bereiten Sie Variablen zum Speichern des Modells vor ④ Modellerstellung ⑤ Vorhersage aus dem Modell

Lassen Sie uns eine einfache Regressionsanalyse durchführen

Es ist eine einfache Analyse, aber der tatsächliche Code-Fluss sieht folgendermaßen aus:

import pandas as pd
import numpy as np
from matplotlib import pyplot
%matplotlib inline #Aktuelle Browseranzeige
from sklearn.linear_model import LinearRegression as LR #Klasse für lineare Regression

train = pd.read_csv("train.csv") #Phase (2), Lesen von Trainingsdaten
test  = pd.read_csv("test.csv") #Phase (2), Lesen der Bewertungsdaten
sample = pd.read_csv("sample.csv") #Phase (2) Lesen Sie die Probe, um die Bewertungsdaten zu schreiben

trainX = train["Spaltenname"] #Erklärende Variablen setzen
testX = test["Spaltenname"] #Erklärende Variable
y = train["Spaltenname"] #Zielvariable einstellen

trainX = trainX.values.reshape(-1,1) #Bei einer einfachen Regression müssen die Daten vorbereitet werden
testX  = testX.values.reshape(-1,1) 

model = LR() #Bereiten Sie Variablen für das Regressionsmodell vor ③ Phase

model.fit(trainX, y) #Erstellen Sie eine einfache Phase des Regressionsmodells

pred = model.predict(testX) #Ersetzen Sie testX durch das Vorhersageergebnis und geben Sie für jeden Spaltennamen den Wert y an

sample["Spaltenname, den Sie zuweisen möchten"] = pred #Fügen Sie die Vorhersage in die Beispieldatei ein

sample.to_csv("Dateiname.csv") #Schreiben Sie die Datendatei aus

* Wenn die Spaltennamen von Zug und Test nicht identisch sind, ist dies bedeutungslos. </ b>