241115-如何用sklearn做一个简单线性回归

241115-如何用sklearn做一个简单线性回归

可以参考如下代码：

import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
# 给数据
data=np.array([[1,2],[3,4],[5,6]])
x=data[:,0].reshape(-1,1)
y=data[:,1].reshape(-1,1)
# 训练
reg=LinearRegression().fit(x,y)
# 预测
pred=reg.predict(x)
# 可视化
plt.scatter(x,y)
# 这里线的宽度和颜色必须要给，不然可能看不到线
plt.plot(x,pred,linewidth=3,color='r')

数据点比较少，只给了三个点，可能看的效果不是很好，懂意思就行

如果是从excel表格中读入的数据，我们就需要对其进行处理

初始读入的是dataframe对象，取出来直接训练会报错，因为fit方法需要的参数是array数组，不能接收df

import pandas as pd
df=pd.read_excel("your_excel.xlsx")
# 替换成你自己所需要的列名
column_list=['x','y']
# .values是转换成array，.reshape是对其形状进行重组，这里不执行reshape也是无法载入的
x=df[column_list[0]].values.reshape(-1,1)
y=df[column_list[1]].values.reshape(-1,1)

然后就得到了符合格式的x，y，用上面的训练代码和画图代码进行操作即可，以下是我的excel数据，请自备数据进行试验

同时，如果你的excel有缺失值，记得填充，这里采用均值填充

for i in column_list:
    df[i]=df[i].fillna(df[i].mean())

如果需要对其相关参数进行评估，代码如下

from sklearn.metrics import mean_squared_error, r2_score
print(f"mean_squared_error:{mean_squared_error(y,pred)}")
print(f"R2score:{r2_score(y,pred)}")

以下是一个完整代码:

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
from sklearn.metrics import mean_squared_error, r2_score
df=pd.read_excel("ST-temp510.xlsx")
# 替换成你自己所需要的列名
column_list=['T900','S47']
# 均值填充
for i in column_list:
    df[i]=df[i].fillna(df[i].mean())
# .values是转换成array，.reshape是对其形状进行重组，这里不执行reshape也是无法载入的
x=df[column_list[0]].values.reshape(-1,1)
y=df[column_list[1]].values.reshape(-1,1)
# 训练
reg=LinearRegression().fit(x,y)
# 预测
pred=reg.predict(x)
# 可视化
plt.scatter(x,y)
# 这里线的宽度和颜色必须要给，不然可能看不到线
plt.plot(x,pred,linewidth=3,color='r')

print(f"mean_squared_error:{mean_squared_error(y,pred)}")
print(f"R2score:{r2_score(y,pred)}")

如有问题请大佬指出。