Python 机器学习多元回归

多元回归

多元回归就像线性回归一样，但是具有多个独立值，这意味着我们试图基于两个或多个变量来预测一个值。看一下下面的数据集，其中包含有关汽车的一些信息。

Car	Model	Volume	Weight	CO2
Toyota	Aygo	1000	790	99
Mitsubishi	Space	1200	1160	95
Skoda	Citigo	1000	929	95
Fiat	500	900	865	90
Mini	Cooper	1500	1140	105
VW	Up!	1000	929	105
Skoda	Fabia	1400	1109	90
Mercedes	A-Class	1500	1365	92
Ford	Fiesta	1500	1112	98
Audi	A1	1600	1150	99
Hyundai	I20	1100	980	99
Suzuki	Swift	1300	990	101
Ford	Fiesta	1000	1112	99
Honda	Civic	1600	1252	94
Hundai	I30	1600	1326	97
Opel	Astra	1600	1330	97
BMW	1	1600	1365	99
Mazda	3	2200	1280	104
Skoda	Rapid	1600	1119	104
Ford	Focus	2000	1328	105
Ford	Mondeo	1600	1584	94
Opel	Insignia	2000	1428	99
Mercedes	C-Class	2100	1365	99
Skoda	Octavia	1600	1415	99
Volvo	S60	2000	1415	99
Mercedes	CLA	1500	1465	102
Audi	A4	2000	1490	104
Audi	A6	2000	1725	114
Volvo	V70	1600	1523	109
BMW	5	2000	1705	114
Mercedes	E-Class	2100	1605	115
Volvo	XC70	2000	1746	117
Ford	B-Max	1600	1235	104
BMW	2	1600	1390	108
Opel	Zafira	1600	1405	109
Mercedes	SLK	2500	1395	120

我们可以根据引擎的大小预测汽车的二氧化碳排放量，但是通过多元回归，我们可以引入更多变量，例如汽车的重量，以使预测更加准确。

它是如何工作的？

在Python中，我们有一些模块可以为我们完成工作。首先导入Pandas模块。
```
import Pandas
```
Pandas模块允许我们读取csv文件并返回一个DataFrame对象。
```
df = pandas.read_csv("cars.csv")
```
然后列出独立值并调用此变量X。

将相关值放入名为的变量中y。
```
X = df[['Weight', 'Volume']]
y = df['CO2']
```
提示：通常，将独立值列表命名为大写X，将相关值列表命名为小写y。

我们将使用sklearn模块中的一些方法，因此我们也必须导入该模块：
```
from sklearn import linear_model
```
在sklearn模块中，我们将使用LinearRegression()方法创建线性回归对象。该对象有一个称为fit()的方法，该方法将独立值和从属值作为参数，并用描述该关系的数据填充回归对象：
```
regr = linear_model.LinearRegression()
regr.fit(X, y)
```
现在我们有了一个回归对象，可以根据汽车的重量和体积预测二氧化碳值：
```
#predict the CO2 emission of a car where the weight is 2300g, and the volume is 1300ccm:
predictedCO2 = regr.predict([[2300, 1300]])
```
请参阅整个示例：
```
import pandas
from sklearn import linear_model

df = pandas.read_csv("cars.csv")

X = df[['Weight', 'Volume']]
y = df['CO2']

regr = linear_model.LinearRegression()
regr.fit(X, y)

#predict the CO2 emission of a car where the weight is 2300g, and the volume is 1300ccm:
predictedCO2 = regr.predict([[2300, 1300]])

print(predictedCO2)
```
输出如下：：
我们预测，配备1.3升发动机，重2.3千克的汽车，每行驶1公里，就会释放约107克的二氧化碳。
系数

系数是描述与未知变量的关系的因子。

示例：如果x是变量， 2x则为x两次。x是未知变量，数字2是系数。

在这种情况下，我们可以要求重量相对于CO2的系数值，以及体积相对于CO2的系数值。我们得到的答案告诉我们，如果我们增加或减少其中一个独立值，将会发生什么。
打印回归对象的系数值：
```
import pandas
from sklearn import linear_model

df = pandas.read_csv("cars.csv")

X = df[['Weight', 'Volume']]
y = df['CO2']

regr = linear_model.LinearRegression()
regr.fit(X, y)

print(regr.coef_)
```
输出如下所示：
结果说明:::

结果数组表示权重和值的系数值。
- Weight：0.00755095
- Volume：0.00780526
这些值告诉我们，如果重量增加1g，则CO2排放量增加0.00755095g。并且，如果发动机尺寸（容积）增加1 ccm，则CO2排放量将增加0.00780526 g。我认为这是一个合理的猜测，但请进行测试！我们已经预测到，如果配备1300ccm发动机的汽车重2300克，则二氧化碳排放量将约为107克。如果我们增加1000g的重量会怎样？
复制之前的示例，但是将权重从2300更改为3300：
```
import pandas
from sklearn import linear_model

df = pandas.read_csv("cars.csv")

X = df[['Weight', 'Volume']]
y = df['CO2']

regr = linear_model.LinearRegression()
regr.fit(X, y)

#predict the CO2 emission of a car where the weight is 2300g, and the volume is 1300ccm:
predictedCO2 = regr.predict([[3300, 1300]])

print(predictedCO2)
```
输出如下所示：
我们已经预测，配备1.3升发动机，重量为3.3千克的汽车，每行驶1公里，就会释放约115克二氧化碳。这表明0.00755095的系数是正确的：

107.2087328 +（1000 * 0.00755095）= 114.75968

Python 机器学习多元回归

多元回归

它是如何工作的？

系数