多次回归分析 在线性回归分析的时候，我用了一条直线去拟合年龄和工资的数据，结果不是太贴合的。我们尝试先用多次方程组来拟合数据。 我们先把数据读出出来。 import tensorflow as tf import pandas as pd import numpy as np from matplotlib import pyplot as plt unrate = pd.read_csv('SD.csv') unrate = unrate.sort_values('Year') print(unrate) Year Salary 0 1.0 39451 30 1.1 40343 1 1.2 46313 31 1.3 47605 2 1.4 37839 .. ... ... 85 12.0 106247 86 12.5 117634 87 12.6 113300 88 13.3 123056 89 13.5 122537 [90 rows x 2 columns] 这次我们用一个二次方程来拟合一下这些数据。 方程我们定义为如下： (^yi)=W1∗x2i+W2∗xi+b 那么这样的话，我们就有三个参数 W_1, W_2, b。我们先给这三个参数一个初始数值。 w_1 = 1000 w_2 =1000 b = 1000 print(w_1) print(w_2) print(b) y_pred = w_1* np.power(unrate['Year'],2) + w_2* unrate['Year'] + b plt.scatter(unrate['Year'],unrate['Salary']) plt.plot(unrate['Year'],y_pred) plt.show() 1000 1000 1000 我们如果按照上述的模型，求出预测值y^，我们需要一个函数来评估这个值的好坏。 loss=∑i=0n(yi−y^i)2 这个函数和一次的一样，没有任何变化。接下来，我们需要求出这个函数的导函数。 dldw1=dldy^∗dy^dw1=−2∑i=0n(yi−y^i)∗x2i dldw2=dldy^∗dy^dw2=−2∑i=0n(yi−y^i)∗xi dldb=dldy^∗dy^db=−2∑i=0n(yi−y^i) 我们来把上述的函数代码化 def train(w_1,w_2, b): learning_rate = 0.000001 y_pred = w_1* np.power(unrate['Year'],2) + w_2* unrate['Year'] + b dw_1 = -2*np.sum( np.transpose(unrate['Salary'] - y_pred)*np.power(unrate['Year'],2)) dw_2 = -2*np.sum( np.transpose(unrate['Salary'] - y_pred)*unrate['Year']) db = -2*np.sum((unrate['Salary'] - y_pred)) temp_w_1 = w_1 - learning_rate * dw_1 temp_w_2 = w_2 - learning_rate * dw_2 temp_b = b - learning_rate * db w_1 = temp_w_1 w_2= temp_w_2 b = temp_b return w_1,w_2,b 我们来运行下测试下效果： for i in range(10000): w_1, w_2, b = train(w_1,w_2,b) print(w_1) print(w_2) print(b) y_pred = w_1 * np.power(unrate['Year'],2) + w_2 * unrate['Year'] + b loss = np.power((y_pred-unrate['Salary']),2).sum() plt.scatter(unrate['Year'],unrate['Salary']) plt.plot(unrate['Year'],y_pred) -695.3117280326662 17380.592541992835 8744.131370136933 8487947406.30475 上面就是我们拟合出来的效果。 我们可以看出来，比我们之前一次的拟合的数据要好很多。 分类: Pythonhttps://www.cnblogs.com/bbird/p/11493266.html