自学教程：回归预测分析python数据化运营线性回归总结

import numpy as np  # numpy库from sklearn.linear_model import BayesianRidge, LinearRegression, ElasticNet,Lasso  # 批量导入要实现的回归算法from sklearn.svm import SVR  # SVM中的回归算法from sklearn.ensemble.gradient_boosting import GradientBoostingRegressor  # 集成算法from sklearn.model_selection import cross_val_score  # 交叉检验from sklearn.metrics import explained_variance_score, mean_absolute_error, mean_squared_error, r2_score  # 批量导入指标算法import pandas as pd  # 导入pandasimport matplotlib.pyplot as plt  # 导入图形展示库import random# 随机生成100组包含5组特征的数据feature = [[random.random(),random.random(),random.random(),random.random(),random.random()] for i in range(100)]dependent = [round(random.uniform(1,100),2) for i in range(100)]# 训练回归模型n_folds = 6  # 设置交叉检验的次数model_br = BayesianRidge()  # 建立贝叶斯岭回归模型对象model_lr = LinearRegression()  # 建立普通线性回归模型对象model_etc = ElasticNet()  # 建立弹性网络回归模型对象model_svr = SVR()  # 建立支持向量机回归模型对象model_la = Lasso()  # 建立支持向量机回归模型对象model_gbr = GradientBoostingRegressor()  # 建立梯度增强回归模型对象model_names = ['BayesianRidge', 'LinearRegression', 'ElasticNet', 'SVR', 'Lasso','GBR']  # 不同模型的名称列表model_dic = [model_br, model_lr, model_etc, model_svr,model_la, model_gbr]  # 不同回归模型对象的集合cv_score_list = []  # 交叉检验结果列表pre_y_list = []  # 各个回归模型预测的y值列表for model in model_dic:  # 读出每个回归模型对象    scores = cross_val_score(model, feature, dependent, cv=n_folds)  # 将每个回归模型导入交叉检验模型中做训练检验    cv_score_list.append(scores)  # 将交叉检验结果存入结果列表    pre_y_list.append(model.fit(feature, dependent).predict(feature))  # 将回归训练中得到的预测y存入列表

# 模型效果指标评估model_metrics_name = [explained_variance_score, mean_absolute_error, mean_squared_error, r2_score]  # 回归评估指标对象集model_metrics_list = []  # 回归评估指标列表for i in range(6):  # 循环每个模型索引    tmp_list = []  # 每个内循环的临时结果列表    for m in model_metrics_name:  # 循环每个指标对象        tmp_score = m(dependent, pre_y_list[i])  # 计算每个回归指标结果        tmp_list.append(tmp_score)  # 将结果存入每个内循环的临时结果列表    model_metrics_list.append(tmp_list)  # 将结果存入回归评估指标列表df1 = pd.DataFrame(cv_score_list, index=model_names)  # 建立交叉检验的数据框df2 = pd.DataFrame(model_metrics_list, index=model_names, columns=['ev', 'mae', 'mse', 'r2'])  # 建立回归指标的数据框

# 模型效果可视化plt.figure()  # 创建画布plt.plot(np.arange(len(feature)), dependent, color='k', label='true y')  # 画出原始值的曲线color_list = ['r', 'b', 'g', 'y', 'p','c']  # 颜色列表linestyle_list = ['-', '.', 'o', 'v',':', '*']  # 样式列表for i, pre_y in enumerate(pre_y_list):  # 读出通过回归模型预测得到的索引及结果    plt.plot(np.arange(len(feature)), pre_y_list[i], color_list[i], label=model_names[i])  # 画出每条预测结果线plt.title('regression result comparison')  # 标题plt.legend(loc='upper right')  # 图例位置plt.ylabel('real and predicted value')  # y轴标题plt.show()  # 展示图像

# 模型应用new_point_set = [[random.random(),random.random(),random.random(),random.random(),random.random()],                 [random.random(),random.random(),random.random(),random.random(),random.random()],                 [random.random(),random.random(),random.random(),random.random(),random.random()],                [random.random(),random.random(),random.random(),random.random(),random.random()]]  # 要预测的新数据集print("贝叶斯岭回归模型预测结果：")for i, new_point in enumerate(new_point_set):  # 循环读出每个要预测的数据点    new_pre_y = model_gbr.predict(np.array(new_point).reshape(1,-1))    print ('预测随机数值 %d 是:  %.2f' % (i + 1, new_pre_y))  # 打印输出每个数据点的预测信息print (50 * '-')print("普通线性回归模型预测结果：")for i, new_point in enumerate(new_point_set):  # 循环读出每个要预测的数据点    new_pre_y = model_lr.predict(np.array(new_point).reshape(1,-1))    print ('预测随机数值 %d 是:  %.2f' % (i + 1, new_pre_y))  # 打印输出每个数据点的预测信息print (50 * '-')print("弹性网络回归模型预测结果：")for i, new_point in enumerate(new_point_set):  # 循环读出每个要预测的数据点    new_pre_y = model_etc.predict(np.array(new_point).reshape(1,-1))    print ('预测随机数值 %d 是:  %.2f' % (i + 1, new_pre_y))  # 打印输出每个数据点的预测信息print (50 * '-')   print("支持向量机回归模型预测结果：")for i, new_point in enumerate(new_point_set):  # 循环读出每个要预测的数据点    new_pre_y = model_svr.predict(np.array(new_point).reshape(1,-1))    print ('预测随机数值 %d 是:  %.2f' % (i + 1, new_pre_y))  # 打印输出每个数据点的预测信息print (50 * '-')   print("拉索回归模型预测结果：")for i, new_point in enumerate(new_point_set):  # 循环读出每个要预测的数据点    new_pre_y = model_la.predict(np.array(new_point).reshape(1,-1))    print ('预测随机数值 %d 是:  %.2f' % (i + 1, new_pre_y))  # 打印输出每个数据点的预测信息