Python Scikit-learn Analyse de régression linéaire Analyse de régression simple non linéaire Apprentissage automatique

J'écrirai sur la façon de lire les données csv en Python et d'effectuer une régression linéaire et non linéaire. Python ver est 3.7.3. Dans l'environnement Windows10.

Le code est ci-dessous.

◆ Lire les données csv et effectuer une analyse de régression linéaire simple

import pandas as pd 
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
 
#variable
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
 
#lecture des données csv sur l'axe y
data = pd.read_csv('cp.csv') 
y = np.array(data)#Arrangement
y = y.reshape(-1,)#Changement de dimension(2 à 1 dimension)
 
#Créer l'axe des x de la date
x = pd.date_range('2019-08-30 00:00:00', periods=16, freq='d')
x1=np.arange(16)
x2 = [[x1] for x1 in x1]
 
#Régression linéaire simple
from sklearn import linear_model
clf = linear_model.LinearRegression()
clf.fit(x2,y) #Créer un modèle prédictif
 
print("Coefficient de régression= ", clf.coef_)
print("Section= ", clf.intercept_)
print("Coefficient de décision= ", clf.score(x2,y))
 
#Création de graphes
ax.plot(x2,y,'b')
ax.plot(x2, clf.predict(x2),'k')
 
#Spécifiez le format du graphique
plt.xlabel("Days elapsed")#Étiquette de l'axe horizontal
plt.ylabel("plice")#Étiquette verticale
plt.grid(True)#Affichage de l'échelle
plt.tight_layout()#Toutes les parcelles dans une boîte
 
plt.show()

◆ Lire les données csv et effectuer une analyse de régression simple non linéaire

import pandas as pd 
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
 
#variable
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
 
#lecture des données csv sur l'axe y
data = pd.read_csv('cp.csv') 
y = np.array(data)#Arrangement
y = y.reshape(-1,)#Changement de dimension(2 à 1 dimension)
 
#Créer l'axe des x de la date
x = pd.date_range('2019-08-30 00:00:00', periods=16, freq='d')
 
#Ordre de régression non linéaire
x1=np.arange(16)
fit = np.polyfit(x1,y,5)
y2 = np.poly1d(fit)(x1)
 
#Coefficient de décision
from sklearn.metrics import r2_score
print(r2_score(y,y2))
 
#Prévoir
x_30 = np.poly1d(fit)(30)
print(x_30)
 
 
#Création de graphes
ax.plot(x,y,'bo')
ax.plot(x,y2,'--k')
 
#Spécifiez le format du graphique
dayｓ = mdates.DayLocator() 
daysFmt = mdates.DateFormatter('%m-%d')
ax.xaxis.set_major_locator(days)
ax.xaxis.set_major_formatter(daysFmt)
plt.xlabel("date")#Étiquette de l'axe horizontal
plt.ylabel("price")#Étiquette verticale
plt.grid(True)#Affichage de l'échelle
plt.tight_layout()#Toutes les parcelles dans une boîte
 
plt.show()

Cliquez ici pour une explication technique de l'analyse de régression et une explication détaillée de chaque code (´ ・ ω ・ `) ☟☟☟ https://kgrneer.com/python-numpy-scikit-kaiki/

J'étudie également la régression multiple.