Inhaltsangabe bis zum letzten Mal

Letztes Mal las die CSV-Datei und zeichnete das Streudiagramm. Der fertige Code und das Diagramm sehen folgendermaßen aus

import numpy as np
import matplotlib.pyplot as plt

data_set = np.loadtxt(
    fname="sampleData.csv",
    dtype="float",
    delimiter=",",
)

#Streudiagramm zeichnen → Streuung verwenden
#Zeile für Zeile herausnehmen und zeichnen
#plt.scatter(x Koordinatenwert,y Koordinatenwert)
for data in data_set:
    plt.scatter(data[0], data[1])

plt.title("correlation")
plt.xlabel("Average Temperature of SAITAMA")
plt.ylabel("Average Temperature of IWATE")
plt.grid()

plt.show()

Was diesmal zu tun ist

Verwenden Sie "scikit-learn", um eine lineare Regression durchzuführen und eine Regressionslinie zu zeichnen

Verfahren##

1 Extrahieren Sie x-Koordinaten- und y-Koordinatendaten aus csv

#x,Speichern Sie y-Daten in einem separaten Array
x = np.array(1) #Bereiten Sie ein Numpy-Array vor
y = np.array(1) #Zu diesem Zeitpunkt gibt es Daten, die zu Beginn nicht benötigt werden
for data in data_set:
    x = np.append(x, data[0]) #Fügen Sie Daten mit Anhängen hinzu
    y = np.append(y, data[1])
x = np.delete(x, 0,0) #Löschen Sie zu Beginn unnötige Daten
y = np.delete(y, 0,0)

2 Fügen Sie x und y aus 1 in das Modell ein, das eine lineare Regression durchführt. 3 Machen Sie eine gerade Linie, indem Sie eine Vorhersage mit dem in 2 erstellten Modell machen. 4 Zeichnen Sie mit Matplotlib

Was ist Scikit-Learn?

Es ist ein Modul, das Regression und Klassifizierung durchführt (Zackri) Klicken Sie hier für Details → Offizielle Seite

Code, der ein lineares Regressionsmodell verwendet

#Importmodul für lineare Regression
from sklearn.linear_model import LinearRegression

#In numpys Linspace für die x-Koordinate der Regressionslinie-Bereiten Sie gleichermaßen 100 Werte von 10 bis 40 vor
line_x = np.linspace(-10, 40, 100)

#scikit-Finden Sie die Vorhersageformel mit dem Modell mit dem kleinsten Quadrat in learn
model = LinearRegression()
model = model.fit(x.reshape(-1,1), y.reshape(-1,1)) #Fügen Sie die Daten in das Modell ein
model_y = model.predict(line_x.reshape(-1,1)) #Prognose
plt.plot(line_x, model_y, color = 'yellow')

model = model.fit (x.reshape (-1,1), y.reshape (-1,1)), aber die Form des numpy-Arrays wird geändert, um dem Argument der Funktion zu entsprechen. Weitere Informationen hier

Hier ist der vollständige Code und das Diagramm

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

data_set = np.loadtxt(
    fname="sampleData.csv",
    dtype="float",
    delimiter=",",
)
#x,Speichern Sie y-Daten in einem separaten Array
x = np.array(1)
y = np.array(1)
for data in data_set:
    x = np.append(x, data[0])
    y = np.append(y, data[1])
x = np.delete(x, 0,0)
y = np.delete(y, 0,0)


#Zeichnen Sie ein Streudiagramm
for data in data_set:
    plt.scatter(data[0], data[1])


#scikit-Finden Sie die Vorhersageformel mit dem Modell mit dem kleinsten Quadrat in learn
model = LinearRegression()
model = model.fit(x.reshape(-1,1), y.reshape(-1,1))
line_x = np.linspace(-10, 40, 100)
model_y = model.predict(line_x.reshape(-1,1))
plt.plot(line_x, model_y, color = 'yellow')

plt.title("correlation")
plt.xlabel("Average Temperature of SAITAMA")
plt.ylabel("Average Temperature of IWATE")
plt.grid()

plt.show()

Danke für deine harte Arbeit