立即前往

活动

天翼云最新优惠活动,涵盖免费试用,产品折扣等,助您降本增效!
查看全部活动
热门活动
  • 智算采购季 热销S6云服务器2核4G限时88元/年起,部分主机可加赠对象存储组合包!
  • 免费体验DeepSeek,上天翼云息壤 NEW 新老用户均可免费体验2500万Tokens,限时两周
  • 云上钜惠 HOT 爆款云主机全场特惠,更有万元锦鲤券等你来领!
  • 算力套餐 HOT 让算力触手可及
  • 天翼云脑AOne NEW 连接、保护、办公,All-in-One!
  • 一键部署Llama3大模型学习机 0代码一键部署,预装最新主流大模型Llama3与StableDiffusion
  • 中小企业应用上云专场 产品组合下单即享折上9折起,助力企业快速上云
  • 息壤高校钜惠活动 NEW 天翼云息壤杯高校AI大赛,数款产品享受线上订购超值特惠
  • 天翼云电脑专场 HOT 移动办公新选择,爆款4核8G畅享1年3.5折起,快来抢购!
  • 天翼云奖励推广计划 加入成为云推官,推荐新用户注册下单得现金奖励
免费活动
  • 免费试用中心 HOT 多款云产品免费试用,快来开启云上之旅
  • 天翼云用户体验官 NEW 您的洞察,重塑科技边界

智算服务

打造统一的产品能力,实现算网调度、训练推理、技术架构、资源管理一体化智算服务
智算云(DeepSeek专区)
科研助手
  • 算力商城
  • 应用商城
  • 开发机
  • 并行计算
算力互联调度平台
  • 应用市场
  • 算力市场
  • 算力调度推荐
一站式智算服务平台
  • 模型广场
  • 体验中心
  • 服务接入
智算一体机
  • 智算一体机
大模型
  • DeepSeek-R1-昇腾版(671B)
  • DeepSeek-R1-英伟达版(671B)
  • DeepSeek-V3-昇腾版(671B)
  • DeepSeek-R1-Distill-Llama-70B
  • DeepSeek-R1-Distill-Qwen-32B
  • Qwen2-72B-Instruct
  • StableDiffusion-V2.1
  • TeleChat-12B

应用商城

天翼云精选行业优秀合作伙伴及千余款商品,提供一站式云上应用服务
进入甄选商城进入云市场创新解决方案
办公协同
  • WPS云文档
  • 安全邮箱
  • EMM手机管家
  • 智能商业平台
财务管理
  • 工资条
  • 税务风控云
企业应用
  • 翼信息化运维服务
  • 翼视频云归档解决方案
工业能源
  • 智慧工厂_生产流程管理解决方案
  • 智慧工地
建站工具
  • SSL证书
  • 新域名服务
网络工具
  • 翼云加速
灾备迁移
  • 云管家2.0
  • 翼备份
资源管理
  • 全栈混合云敏捷版(软件)
  • 全栈混合云敏捷版(一体机)
行业应用
  • 翼电子教室
  • 翼智慧显示一体化解决方案

合作伙伴

天翼云携手合作伙伴,共创云上生态,合作共赢
天翼云生态合作中心
  • 天翼云生态合作中心
天翼云渠道合作伙伴
  • 天翼云代理渠道合作伙伴
天翼云服务合作伙伴
  • 天翼云集成商交付能力认证
天翼云应用合作伙伴
  • 天翼云云市场合作伙伴
  • 天翼云甄选商城合作伙伴
天翼云技术合作伙伴
  • 天翼云OpenAPI中心
  • 天翼云EasyCoding平台
天翼云培训认证
  • 天翼云学堂
  • 天翼云市场商学院
天翼云合作计划
  • 云汇计划
天翼云东升计划
  • 适配中心
  • 东升计划
  • 适配互认证

开发者

开发者相关功能入口汇聚
技术社区
  • 专栏文章
  • 互动问答
  • 技术视频
资源与工具
  • OpenAPI中心
开放能力
  • EasyCoding敏捷开发平台
培训与认证
  • 天翼云学堂
  • 天翼云认证
魔乐社区
  • 魔乐社区

支持与服务

为您提供全方位支持与服务,全流程技术保障,助您轻松上云,安全无忧
文档与工具
  • 文档中心
  • 新手上云
  • 自助服务
  • OpenAPI中心
定价
  • 价格计算器
  • 定价策略
基础服务
  • 售前咨询
  • 在线支持
  • 在线支持
  • 工单服务
  • 建议与反馈
  • 用户体验官
  • 服务保障
  • 客户公告
  • 会员中心
增值服务
  • 红心服务
  • 客户支持计划
  • 专家技术服务
  • 备案管家

了解天翼云

天翼云秉承央企使命,致力于成为数字经济主力军,投身科技强国伟大事业,为用户提供安全、普惠云服务
品牌介绍
  • 关于天翼云
  • 智算云
  • 天翼云4.0
  • 新闻资讯
  • 天翼云APP
基础设施
  • 全球基础设施
  • 产品能力
  • 信任中心
最佳实践
  • 精选案例
  • 超级探访
  • 云杂志
  • 分析师和白皮书
  • 天翼云·创新直播间
市场活动
  • 2025智能云生态大会
  • 2024智算云生态大会
  • 2023云生态大会
  • 2022云生态大会
  • 天翼云中国行
天翼云
  • 活动
  • 智算服务
  • 产品
  • 解决方案
  • 应用商城
  • 合作伙伴
  • 开发者
  • 支持与服务
  • 了解天翼云
      • 文档
      • 控制中心
      • 备案
      • 管理中心

      statsmodels学习——使用多元回归拟合数据

      首页 知识中心 大数据 文章详情页

      statsmodels学习——使用多元回归拟合数据

      2023-04-19 09:38:47 阅读次数:161

      文章目录

      • 1. 多元回归拟合代码
      • 2. 分析结果
      • 3. 完整案例
      • 参考资料

       

      1. 多元回归拟合代码

      首先构造一个任意的dataframe:

      import pandas as pd
      import numpy as np
      import statsmodels.api as sm
      
      df = pd.DataFrame(data=np.random.randint(0, 20, size=(100, 4)),
                        columns=['x1', 'x2', 'x3', 'y'])
      # 开始切分x与y
      X = df.loc[:, 'x1':'x3']
      Y = df['y']
      

      构造的dataframe如下:

        x1 x2 x3 y
      0 12 13 1 10
      1 11 10 9 8
      2 12 18 18 2
      3 18 11 18 12
      … … … … …

      然后切分出自变量与因变量:

      X = df.loc[:, 'x1':'x3']
      Y = df['y']
      

      然后使用statsmodels拟合数据:

      X = sm.add_constant(X)  # adding a constant
      model = sm.OLS(Y, X).fit()
      

      这样就拟合成功了,预测:

      predictions = model.predict(X)
      

      predictions即为模型对原来训练集数据的预测结果,这里可以换成新的测试集数据

      2. 分析结果

      1. 打印全部的结果:
      print(model.summary())
      

      得到如下的表格:

      ==============================================================================
      Dep. Variable:                      y   R-squared:                       0.032
      Model:                            OLS   Adj. R-squared:                  0.001
      Method:                 Least Squares   F-statistic:                     1.046
      Date:                Fri, 11 Jun 2021   Prob (F-statistic):              0.376
      Time:                        10:29:28   Log-Likelihood:                -316.20
      No. Observations:                 100   AIC:                             640.4
      Df Residuals:                      96   BIC:                             650.8
      Df Model:                           3                                         
      Covariance Type:            nonrobust                                         
      ==============================================================================
                       coef    std err          t      P>|t|      [0.025      0.975]
      ------------------------------------------------------------------------------
      const          5.8099      1.793      3.241      0.002       2.252       9.368
      x1             0.1445      0.094      1.533      0.128      -0.043       0.332
      x2             0.0976      0.104      0.936      0.352      -0.109       0.305
      x3             0.0169      0.102      0.165      0.869      -0.186       0.220
      ==============================================================================
      Omnibus:                       27.225   Durbin-Watson:                   1.684
      Prob(Omnibus):                  0.000   Jarque-Bera (JB):                5.946
      Skew:                           0.162   Prob(JB):                       0.0512
      Kurtosis:                       1.850   Cond. No.                         55.4
      ==============================================================================
      
      1. 得到拟合的结果

      coef为拟合出的系数,使用如下代码可以打印出来:

      print(model.params)
      

      其他变量:

      • Dep.Variable: 就是因变量,dependent variable,也就是咱们输入的y1,不过这里statsmodels用y来表示模型的结果。
      • Model:就是最小二乘模型,这里就是OLS。
      • Date/Time:模型生成的日期/时间
      • No. Observations:样本量
      • Df Residuals:残差自由度(degree of freedom of residuals),其值= No.Observations - Df Model - 1
      • Df Model:模型自由度(degree of freedom of model),值等于输入的维度,这里x1,x2,x3是三个维度
      • Covariance Type:协方差阵的稳健性
      • R-squared:决定系数,计算方法为SSR/SST,SSR是Sum of Squares for Regression,SST是Sum of Squares for Total
      • Adj. R-squared:利用奥卡姆剃刀修正后的R-squared值(奥卡姆剃刀是一种理论,认为通用的模型倾向于更简单的参数,正所谓大道至简)
      • F-statistic:F检验,这个值越大越能推翻原假设,值越大说明模型是线性模型,原假设是“我们的模型不是线性模型”。
      • Prob (F-statistic):为F-statistic的概率,值越小越能拒绝原假设,本例中为1.25e-08,该值非常小了,足以证明我们的模型是线性显著的
      • Log likelihood:对数似然
      • AIC:赤池信息量,其用来衡量拟合的好坏程度,一般选择AIC较小的模型
      • BIC:贝叶斯信息准则
      • std err:系数估计的标准误差。
      • t:就是我们常用的t统计量,这个值越大越能拒绝原假设。
      • P>|t|:统计检验中的P值,这个值越小越能拒绝原假设。
      • [0.025, 0.975]:置信度为95%的置信区间的下限和上限。
      • Omnibus:基于峰度和偏度进行数据正态性的检验,通常与Jarque-Bera检验共同使用
      • Prob(Omnibus):Omnibus检验的概率。
      • Durbin-Watson:检验残差中是否存在自相关,其主要通过确定两个相邻误差项的相关性是否为零来检验回归残差是否存在自相关。
      • Skewness:偏度
      • Kurtosis:峰度
      • Jarque-Bera(JB):同样是基于峰度和偏度进行数据正态性的检验,通常与Omnibus检验共同使用
      • Prob(JB):JB检验的概率。
      • Cond. No.:多重共线性的检验,即检验变量之间是否存在精确相关关系或高度相关关系

      3. 完整案例

      import pandas as pd
      import numpy as np
      import statsmodels.api as sm
      
      df = pd.DataFrame(data=np.random.randint(0, 20, size=(100, 4)),
                        columns=['x1', 'x2', 'x3', 'y'])
      # 开始切分x与y
      X = df.loc[:, 'x1':'x3']
      Y = df['y']
      
      X = sm.add_constant(X)  # adding a constant
      model = sm.OLS(Y, X).fit()
      predictions = model.predict(X)
      
      print_model = model.summary()
      print(print_model)
      

      参考资料

      • youtube相关教程:https://www.youtube.com/watch?v=L_h7XFUGWAk
      • statsmodels.regression.linear_model.OLS 官方文档:https://www.statsmodels.org/stable/generated/statsmodels.regression.linear_model.OLS.html#generated-statsmodels-regression-linear-model-ols–page-root
      • Ordinary Least Squares官方文档:https://www.statsmodels.org/dev/examples/notebooks/generated/ols.html#examples-notebooks-generated-ols–page-root
      版权声明:本文内容来自第三方投稿或授权转载,原文地址:https://blog.csdn.net/weixin_35757704/article/details/117808073,作者:呆萌的代Ma,版权归原作者所有。本网站转在其作品的目的在于传递更多信息,不拥有版权,亦不承担相应法律责任。如因作品内容、版权等问题需要同本网站联系,请发邮件至ctyunbbs@chinatelecom.cn沟通。

      上一篇:按照两个dataframe的index合并数据

      下一篇:解决python读取json格式数据后提取object不存在报错KeyError

      相关文章

      2023-04-19 09:22:11

      解决statsmodels报错ValueError: Pandas data cast to numpy dtype of object.

      解决statsmodels报错ValueError: Pandas data cast to numpy dtype of object.

      2023-04-19 09:22:11
      ValueError
      查看更多
      推荐标签

      作者介绍

      天翼云小翼
      天翼云用户

      文章

      32777

      阅读量

      4819814

      查看更多

      热门标签

      算法 leetcode python 数据 java 数组 节点 大数据 i++ 链表 golang c++ 排序 django 数据类型
      查看更多

      相关产品

      弹性云主机

      随时自助获取、弹性伸缩的云服务器资源

      天翼云电脑(公众版)

      便捷、安全、高效的云电脑服务

      对象存储

      高品质、低成本的云上存储服务

      云硬盘

      为云上计算资源提供持久性块存储

      • 7*24小时售后
      • 无忧退款
      • 免费备案
      • 专家服务
      售前咨询热线
      400-810-9889转1
      关注天翼云
      • 权益商城
      • 天翼云APP
      • 天翼云微信公众号
      服务与支持
      • 备案中心
      • 售前咨询
      • 智能客服
      • 自助服务
      • 工单管理
      • 客户公告
      • 涉诈举报
      账户管理
      • 管理中心
      • 订单管理
      • 余额管理
      • 发票管理
      • 充值汇款
      • 续费管理
      快速入口
      • 权益商城
      • 文档中心
      • 最新活动
      • 免费试用
      • 信任中心
      • 天翼云学堂
      云网生态
      • 甄选商城
      • 渠道合作
      • 云市场合作
      了解天翼云
      • 关于天翼云
      • 天翼云APP
      • 服务案例
      • 新闻资讯
      • 联系我们
      热门产品
      • 云电脑
      • 弹性云主机
      • 云电脑政企版
      • 天翼云手机
      • 云数据库
      • 对象存储
      • 云硬盘
      • Web应用防火墙
      • 服务器安全卫士
      • CDN加速
      热门推荐
      • 云服务备份
      • 边缘安全加速平台
      • 全站加速
      • 安全加速
      • 云服务器
      • 云主机
      • 智能边缘云
      • 应用编排服务
      • 微服务引擎
      • 共享流量包
      更多推荐
      • web应用防火墙
      • 密钥管理
      • 等保咨询
      • 安全专区
      • 应用运维管理
      • 云日志服务
      • 文档数据库服务
      • 云搜索服务
      • 数据湖探索
      • 数据仓库服务
      友情链接
      • 中国电信集团
      • 189邮箱
      • 天翼企业云盘
      • 天翼云盘
      ©2025 天翼云科技有限公司版权所有 增值电信业务经营许可证A2.B1.B2-20090001
      公司地址:北京市东城区青龙胡同甲1号、3号2幢2层205-32室
      • 用户协议
      • 隐私政策
      • 个人信息保护
      • 法律声明
      备案 京公网安备11010802043424号 京ICP备 2021034386号