7.2 简单线性回归应用
来源:互联网 发布:软件系统需求分析报告 编辑:程序博客网 时间:2024/04/30 10:06
- 简单线性回归模型举例:
汽车卖家做电视广告数量与卖出的汽车数量:
1.1 如何练处适合简单线性回归模型的最佳回归线?
使sum of squares最小
1.1.2 计算
分子 = (1-2)(14-20)+(3-2)(24-20)+(2-2)(18-20)+(1-2)(17-20)+(3-2)(27-20)
= 6 + 4 + 0 + 3 + 7
= 20
分母 = (1-2)^2 + (3-2)^2 + (2-2)^2 + (1-2)^2 + (3-2)^2
= 1 + 1 + 0 + 1 + 1
4
b1 = 20/4 =5
b0 = 20 - 5*2 = 20 - 10 = 10
1.2 预测:
假设有一周广告数量为6,预测的汽车销售量是多少?
x_given = 6
Y_hat = 5*6 + 10 = 40
1.3 Python实现:
# -*- encoding=utf-8 -*-#简单现行回归:只有一个自变量 y=k*x+b 预测使 (y-y*)^2 最小import numpy as npdef fitSLR(x,y): dinominator,numerator=0,0 for i in range(len(x)): numerator+=(x[i]-np.mean(x))*(y[i]-np.mean(y)) dinominator+=(x[i]-np.mean(x))**2 print("numerator:" + str(numerator)) print("dinominator:" + str(dinominator)) b1=numerator/float(dinominator) b0=np.mean(y)-b1*(np.mean(x)) return b0,b1def predict(x,b0,b1): return b0+b1*xx=[1,3,2,1,3]y=[14,24,18,17,27]b0,b1=fitSLR(x, y)y_predict=predict(10, b0, b1);print("y_prediect:"+str(y_predict))
0 0
- 7.2 简单线性回归应用
- 回归:简单一元线性回归
- 简单线性回归
- 简单的线性回归
- 简单线性回归
- 简单的线性回归
- 简单线性回归
- R---简单线性回归
- 简单一元线性回归
- 简单线性回归
- 简单线性回归
- 机器学习回归篇-简单线性回归
- R应用-多元线性回归
- 7.4 多元线性回归应用
- 线性回归模型的应用
- (十一)简单线性回归
- 简单线性回归分析【笔记】
- 7.1 简单线性回归算法
- onvif框架生成
- poj 2182 Lost Cows 树状数组
- C++数据类型转换成C#
- 错误!!!和warning
- 初学者用python解析xml遇到的几个坑
- 7.2 简单线性回归应用
- Android 性能优化典范
- 大数据学习课程分享
- 通过ajax 跨域访问asp.net webapi
- 写代码时注意的几点
- JavaScript随机数
- linux load averages
- __weak typeof(self) _self = self;
- memcached基本配置与使用