mooc機器學習第九天-多項式迴歸
阿新 • • 發佈:2020-07-15
Mooc上一篇的房屋和價格迴歸預測使用的一元線性迴歸,這次該用多項式看看擬合效果有什麼變化。
1.多項式原理簡單介紹
(1).基本概念
多項式迴歸(Polynomial Regression)是研究一個因變數與一個或多個自變數間多項式的迴歸分析方法。如果自變數只有一個 時,稱為一元多項式迴歸;如果自變數有多個時,稱為多元多項式迴歸。
在一元迴歸分析中,如果依變數y與自變數x的關係為非線性的,但是又找不到適當的函式曲線來擬合,則可以採用一元多項式迴歸。
多項式迴歸的最大優點就是可以通過增加x的高次項對實測點進行逼近,直至滿意為止。
事實上,多項式迴歸可以處理相當一類非線性問題,它在迴歸分析 中佔有重要的地位,因為任一函式都可以分段用多項式來逼近。
2.程式碼
import matplotlib.pyplot as plt import numpy as np from sklearn.preprocessing import PolynomialFeatures from sklearn import linear_model plt.rcParams['font.sans-serif']=['SimHei'] datasets_X=[] datasets_Y=[] fr=open('./prices.txt', 'r') lines=fr.readlines() for line in lines: items = line.strip().split(',') datasets_X.append(int(items[0])) datasets_Y.append(int(items[1])) length=len(datasets_X) datasets_X=np.array(datasets_X).reshape([length,1]) datasets_Y=np.array(datasets_Y) # print(datasets_X) maxX=np.max(datasets_X) minX=np.min(datasets_X) X=np.arange(minX,maxX).reshape([-1,1]) #呼叫演算法 poly_reg=PolynomialFeatures(degree=2) #degree=2表示建立datasets_X的二 次多項式特徵X_poly。 #更該數值可以提高曲線向真實點的逼近效果 X_poly=poly_reg.fit_transform(datasets_X)#利用建立好的特稱來訓練 #建立線性迴歸器 lin_reg_2=linear_model.LinearRegression() lin_reg_2.fit(X_poly,datasets_Y) #影象 plt.scatter(datasets_X,datasets_Y,color='r') plt.plot(X,lin_reg_2.predict(poly_reg.fit_transform(X)),color='b') plt.xlabel('Area') plt.title('房屋價格和麵積關係非線性擬合') plt.ylabel('Price') plt.show()
圖示效果為4次多項式特徵
參考:https://blog.csdn.net/bxg1065283526/article/details/80043049