©2020-2024 ioDraw All rights reserved,
Privacy Policy
使用广告收益数据，建立广告投入和销量的关系模型，并按照下个月的投入量预测销量
# coding: utf-8 import numpy as np import pandas as pd import matplotlib.pyplot
as plt filename='data\\advertising.csv' data=pd.read_csv(filename,index_col=0)
print(data.iloc[0:5,:]) #1.观察变量的相关性，选择合适的列作为模型的特征量 data.plot(kind='scatter',x=
'TV',y='Sales')#可以选择部分数据绘制散点图 data.plot(kind='scatter',x='Weibo',y='Sales')
#多次plot()绘制在不同图上，plt.scatter()绘制在一张图 data.plot(kind='scatter',x='Weibo',y=
'Sales') data.plot(kind='scatter',x='WeChat',y='Sales') plt.show() x=data.iloc[:
,0:3].values.astype(float) y=data.iloc[:,3].values.astype(float) #模型初始化 #from
sklearn.linear_model import LinearRegression #linreg=LinearRegression() #模型训练
#linreg.fit(x,y) #模型训练学习 print(linreg.intercept_,linreg.coef_)#线性回归模型的截距和系数 from
sklearnimport cross_validation from sklearn import model_selection
#2.将数据分为训练集和测试集0.35 x_train,x_test,y_train,y_test=model_selection.
train_test_split(x,y,test_size=0.35,random_state=1) #3.模型初始化 linregTr=
LinearRegression() #4.模型训练 linregTr.fit(x_train,y_train) #5.模型预测 y_train_pred=
linregTr.predict(x_train) y_test_pred=linregTr.predict(x_test)
#分别计算误差，确定是否过拟合；评估模型的泛化能力 from sklearn import metrics train_err=metrics.
mean_squared_error(y_train,y_train_pred) test_err=metrics.mean_squared_error(
y_test,y_test_pred) #6.性能评估 predict_score=linregTr.score(x_test,y_test)
#性能评估，决定系数 print('The decision coeficient is:{:.2f}'.format(predict_score))
#决定系数相比于RMSE均方根误差去除了纲量
性能评估方法原理
引用：数据科学与技术（宋晖）