Простая линейная регрессия имеет форму Y = aX + b, где Y и X называются зависимыми и независимыми переменными. Эти термины взаимозаменяемо используются с ответной и независимой переменной.
Множественная линейная регрессия расширяет полином дополнительным количеством независимых переменных, таких как Y = aX + bX1 + c, где Y = вес, X = рост и X1 = пол.
Если целью является прогнозирование или уменьшение ошибок, можно использовать линейную регрессию, чтобы подогнать прогностическую модель к наблюдаемому набору данных. Кроме того, этот метод можно применять для количественной оценки силы взаимосвязи, если цель состоит в том, чтобы объяснить вариацию Y, которую можно отнести к вариации X.
Хватит теории
Давайте начнем его реализовывать……
В этом случае мы собираемся использовать блокнот Jupyter, так что запустите блокноты Jupyter.
Получение набора данных
Загрузите набор данных отсюда.
Начать кодирование
Импорт библиотек
Импорт набора данных
head() используется для отображения набора данных, в случае если вы передадите head(5), он даст первые 5 записей в наборе данных.
Получение информации
В этом случае нет нулевого значения, поэтому нет необходимости в предварительной обработке.
Выберите столбцы на основе зависимой и независимой переменной.
Как и в нашем наборе данных, цена домов зависит от квадратных футов дома, поэтому квадратные футы будут нашей независимой переменной, а цена — нашей зависимой переменной.
Затем мы преобразовали наши зависимые и независимые переменные в 2d-матрицу и сохранили ее в x и y.
Преобразование данных в обучение и тестирование.
train_test_split – это модель, которая разбивает данные на данные для обучения и тестирования.
Время основного события
Передача данных в модель линейной регрессии.
Когда мы передали наши обучающие данные в модель, пришло время протестировать ее, создать предиктор и передать ему x_test.
Построение графика данных обучения для лучшего понимания.
