回归

回归三大模型

  • 线性回归
  • 岭回归
  • LASSO回归

 

使用回归模型预测鲍鱼年龄

一、导入数据，进行分析

 

 可以看出鲍鱼有9个特征

每个特征所对应的数据代表的含义是：

 

 数据集一共有 4177 个样本，每个样本有 9 个特征。其中 rings 为鲍鱼环数，能够代表鲍鱼年龄，是预测变量。除了 sex 为离散特征，其余都为连续变量。

首先借助 seaborn 中的 countplot 函数绘制条形图，观察 sex 列的取值分布情况。

 

 对于连续特征，可以使用 seaborn 的 distplot 函数绘制直方图观察特征取值情况。我们将 8 个连续特征的直方图绘制在一个 4 行 2 列的子图布局中。

 

 也可以通过，热力图来展示性别对其他特征的影响

 

 为了定量地分析特征之间的线性相关性，我们计算特征之间的相关系数矩阵，并借助热力图将相关性可视化。

 

 

二、鲍鱼数据预处理

对 sex 特征进行 OneHot 编码

添加取值为 1 的特征(若是用sklearn中的linear_model里的回归函数，则不必添加)

根据鲍鱼环计算年龄

一般每过一年，鲍鱼就会在其壳上留下一道深深的印记，这叫生长纹，就相当于树木的年轮。在本数据集中，我们要预测的是鲍鱼的年龄，可以通过环数 rings 加上 1.5 得到。

构造两组特征集

将鲍鱼数据集划分为训练集和测试集

实现线性回归和岭回归

构建自己的线性回归方程

 

 

 

 

 使用sklearn里的线性方程

这里所用的训练集的参数：是不包含ones那一列的

 

 可见结果值相同，我们使用 Numpy 实现的线性回归模型与 sklearn 得到的结果是一致的。

构建自己的岭回归方程

 

 

 

 

 使用sklearn里的岭回归方程

使用 LASSO 构建鲍鱼年龄预测模型

 

 

鲍鱼年龄预测模型效果评估

 

可以看出：岭回归和线性回归比较好

 

可以看出三者都不好，岭回归相对好

 

 

 

版权声明：本文为xiaofengzai原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://www.cnblogs.com/xiaofengzai/p/14349711.html