线回与非线回---sklearn--多元线性回归

前言：

前面用自写函数解决了多元问题，现在用sklearn库来解决多元线性问题

正文：

#老朋友，不介绍了
import numpy as np
from numpy import genfromtxt
#把线性回归模型库单独导出来
from sklearn import linear_model
#把画图工具库导出来
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

#读入你的数据
data = genfromtxt(r"Delivery.csv",delimiter = ',')
print(data)

数据图片：

#切割数据，和原先一样的方法
#需要什么就切什么
x_data = data[:,:-1]
y_data = data[:,-1]
print(x_data)
print(y_data)

切分后的数据：

#创建回归模型
#带入切分好的数据
model = linear_model.LinearRegression()
model.fit(x_data,y_data)

#系数
print("model.coef:",model.coef_)
#截距
print("model.intercept:",model.intercept_)
#测试一下
x_test = [[102,4]]
predict = model.predict(x_test)
print("predict:",predict)

测试结果如下：

#使用add_subplot函数来创建3d面
ax = plt.figure().add_subplot(111,projection = '3d')
#描点并设置参数（函数介绍在上一篇内容中）
ax.scatter(x_data[:,0],x_data[:,1],y_data,c='r',marker = 'o',s=100)
x0 = x_data[:,0]
x1 = x_data[:,1]
#使用meshgrid函数生成网格矩阵
x0,x1 = np.meshgrid(x0,x1)
z = model.intercept_ + x0*model.coef_[0]+x1*model.coef_[1]
#画3d图
ax.plot_surface(x0,x1,z)
#设置坐标轴名称
ax.set_xlabel('miles')
ax.set_ylabel('num of delivers')
ax.set_zlabel('time')
#显示图像
plt.show()

总结：

效果还是不错的，而且这个图可以移动，方便查看！

线回与非线回---sklearn--多元线性回归

原文：https://www.cnblogs.com/lqk0216/p/12340536.html