PML之多项式拟合

Posted 2021-06-02 月疯

多项式回归(Polynomial Regression)

如果数据点不适合线性回归，我们就要考虑使用多项式回归

import matplotlib.pyplot as plt

x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]

plt.scatter(x, y)
plt.show()

绘制多项式拟合线：

import numpy
import matplotlib.pyplot as plt
from sklearn.metrics import r2_score#查看拟合度

x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]

#NumPy有一种方法可以让我们建立多项式模型：
mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))

#从位置1开始，到位置22结束
myline = numpy.linspace(1, 22, 100)

print(r2_score(y, mymodel(x)))#查看拟合度

#原始散点
plt.scatter(x, y)
#画出多项式回归线：
plt.plot(myline, mymodel(myline))
plt.show()

查看拟合度：

F:\\开发工具\\pythonProject\\tools\\venv\\Scripts\\python.exe F:/开发工具/pythonProject/tools/bys/ml03.py
0.9432150416451025

Process finished with exit code 0

0.94表示很好。

查看x和y之间的关系：使用r平方

r平方值的范围是0到1，其中0表示不相关，而1表示100％相关。