📈 Как построить линейную регрессию в Python с примерами кода? 🐍

Чтобы построить линейную регрессию в Python, мы можем использовать библиотеку scikit-learn. Вот пример кода:

        from sklearn.linear_model import LinearRegression
        import numpy as np

        # Создание массива X с признаками
        X = np.array([[1], [2], [3], [4], [5]])

        # Создание массива y с целевыми значениями
        y = np.array([2, 4, 6, 8, 10])

        # Инициализация и обучение модели линейной регрессии
        model = LinearRegression()
        model.fit(X, y)

        # Получение предсказанных значений
        y_pred = model.predict(X)
    

В этом примере мы используем класс LinearRegression из библиотеки scikit-learn. Мы создаем двумерный массив X с одним признаком и одномерный массив y с целевыми значениями. Затем инициализируем модель LinearRegression и обучаем ее на данных. Наконец, мы используем обученную модель для предсказания значений на основе X.

Как построить линейную регрессию в Python

Линейная регрессия - это статистический метод, используемый для анализа связи между двумя переменными: зависимой переменной (целевой) и независимой переменной (признаком). В Python существует несколько библиотек, позволяющих построить и использовать модель линейной регрессии. В этой статье мы рассмотрим, как построить линейную регрессию с помощью библиотеки scikit-learn.

1. Установка необходимых библиотек

Перед тем, как начать работу с линейной регрессией, необходимо установить библиотеку scikit-learn. Выполните следующую команду в терминале, чтобы установить ее с помощью pip:

pip install scikit-learn

2. Загрузка данных

Перед тем, как начать построение модели линейной регрессии, необходимо загрузить данные, которые будут использоваться для тренировки модели. В примере ниже мы будем использовать набор данных о ценах на недвижимость:

import pandas as pd

    # Загрузка данных
    data = pd.read_csv('data.csv')

3. Разделение данных на признаки и целевую переменную

После загрузки данных необходимо разделить их на признаки (независимые переменные) и целевую переменную (зависимую переменную). В нашем случае, столбец "площадь" будет рассматриваться как признак, а столбец "цена" - как целевая переменная:

X = data['площадь'].values.reshape(-1, 1)
    y = data['цена'].values

4. Разделение данных на обучающий и тестовый наборы

Для проверки производительности модели линейной регрессии необходимо разделить данные на обучающий и тестовый наборы. Данные обучающего набора будут использоваться для обучения модели, а данные тестового набора - для проверки точности предсказаний модели. В примере ниже мы используем функцию train_test_split из библиотеки scikit-learn:

from sklearn.model_selection import train_test_split

    # Разделение данных на обучающий и тестовый наборы
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

5. Создание и обучение модели линейной регрессии

Теперь, когда данные подготовлены, можно переходить к созданию и обучению модели линейной регрессии. В библиотеке scikit-learn модель линейной регрессии представлена классом LinearRegression:

from sklearn.linear_model import LinearRegression

    # Создание модели линейной регрессии
    model = LinearRegression()

    # Обучение модели
    model.fit(X_train, y_train)

6. Предсказание и оценка модели

После обучения модели можно использовать ее для предсказания значений на новых данных. В примере ниже мы используем полученную модель для предсказания цен на недвижимость с использованием тестового набора данных:

# Предсказание на тестовом наборе данных
    y_pred = model.predict(X_test)

Для оценки производительности модели линейной регрессии можно использовать различные метрики, такие как средняя абсолютная ошибка (MAE), средняя квадратичная ошибка (MSE) и коэффициент детерминации (R²). В примере ниже мы используем функцию mean_squared_error из библиотеки scikit-learn для вычисления MSE:

from sklearn.metrics import mean_squared_error

    # Вычисление MSE
    mse = mean_squared_error(y_test, y_pred)

7. Визуализация результатов

Наконец, можно визуализировать полученные результаты. В примере ниже мы используем библиотеку Matplotlib для построения графика, на котором отображаются реальные и предсказанные значения цены недвижимости:

import matplotlib.pyplot as plt

    # Построение графика
    plt.scatter(X_test, y_test, color='blue', label='Реальные значения')
    plt.plot(X_test, y_pred, color='red', linewidth=2, label='Предсказанные значения')
    plt.xlabel('Площадь')
    plt.ylabel('Цена')
    plt.legend()
    plt.show()

Заключение

В этой статье мы рассмотрели, как построить линейную регрессию в Python с использованием библиотеки scikit-learn. Мы изучили основные шаги, начиная от установки необходимых библиотек до построения модели, предсказания значений и оценки ее производительности. Линейная регрессия является мощным инструментом для анализа и прогнозирования связи между переменными, и ее использование в Python дает возможность легко реализовывать и тестировать модели.