Python_多元回归（一元回归）

所用模块：sklearn

实现功能：

1、多自变量多因变量的最小二乘线性回归、预测、作图；

2、多自变量单因变量的最小二乘线性回归、预测、作图；

3、单自变量单因变量的最小二乘线性回归、预测、作图。

#-*-coding:utf-8-*-
'''
created by zwg in 2016-10-5
'''
'''
最小二乘多项式拟合
'''
import numpy
from sklearn import linear_model
from matplotlib import pyplot as pl
#单自变量单因变量线性回归
class two_fit:
	def loaddata(self,x,y):
		'''
		导入数据并进行拟合
		'''
		n=len(x)
		x=numpy.array(x)
		y=numpy.array(y)
		x=x.reshape((n,1))
		y=y.reshape((n,1))
		self.x=x;self.y=y;
		self.reg=linear_model.LinearRegression()
		self.reg.fit(x,y)
		self.a=self.reg.coef_
		self.b=self.reg.intercept_
	def predict(self,x0):
		'''
		预测数据
		'''
		y0=self.reg.predict(x0)
		return y0
	def getcoef(self):
		'''
		获取拟合系数
		'''
		return self.a[0,0],self.b[0]
	def show(self):
		figure1=pl.figure()
		pl.plot(self.x,self.y,'ro',label='origin data')
		pl.plot(self.x,self.predict(self.x),label='fitting data')
		pl.legend()
		pl.show()
#多自变量单因变量线性回归
class n_fit:
	def loaddata(self,x,y):
		n=len(y)
		x=numpy.array(x)
		y=numpy.array(y)
		y.reshape((n,1))
		self.x=x;self.y=y;
		self.reg=linear_model.LinearRegression()
		self.reg.fit(x,y)
		self.a=self.reg.coef_
		self.b=self.reg.intercept_
	def predict(self,x0):
		y0=self.reg.predict(x0)
		return y0
	def getcoef(self):
		return self.a,self.b
	def show(self):
		figure1=pl.figure()
		pl.plot(range(len(self.y)),self.y,'ro',label='origin data',figure=figure1)
		pl.plot(range(len(self.y)),self.predict(self.x),label='fitting data',figure=figure1)
		pl.legend()
		pl.show()
#多自变量多独立因变量的线性回归
class nn_fit:
	def loaddata(self,x,y):
		x=numpy.array(x)
		y=numpy.array(y)
		reg=linear_model.LinearRegression()
		reg.fit(x,y)
		a=reg.coef_
		b=reg.intercept_
		self.x=x
		self.y=y
		self.reg=reg
		self.a=a
		self.b=b
	def predict(self,x0):
		y0=self.reg.predict(x0)
		return y0
	def predict_one(self,x0,k):
		'''
		预测第k个函数的秩
		'''
		x0=numpy.array(x0)
		x0.reshape((len(x0),1))
		y0=numpy.dot(self.a[k-1:k,:],x0.T)+self.b[k]
		return y0
		
#测试有效性
def test_two_fit():		
	#x=numpy.arange(1,10,0.5)
	#y=x*0.1+3
	x=[ 1 ,2  ,3 ,4 ,5 ,6]
	y=[ 2.5 ,3.51 ,4.45 ,5.52 ,6.47 ,7.51]
	fit=two_fit()
	fit.loaddata(x,y)
	x0=14
	y0=fit.predict(x0)
	a,b=fit.getcoef()
	print 'f(x0):',y0
	print 'function:ax+b (','a=',a,'b=',b,')'
	fit.show()
def test_n_fit():
	x1=numpy.arange(2,10,0.1)
	x2=numpy.linspace(2,100,len(x1))
	y=x1*0.3+x2*0.4+0.5
	x=numpy.c_[x1,x2]
	y1=y+numpy.random.random(y.shape)
	nfit=n_fit()
	nfit.loaddata(x,y1)
	x0=numpy.array([[1,1],[2,2]])
	y0=nfit.predict(x0)
	a,b=nfit.getcoef()
	print 'x0:',x0
	print 'f(x0):',y0
	print 'function:y=ax+b (','a=',a,'b=',b,')'
	nfit.show()
if __name__=='__main__':
	#test_n_fit()
	test_two_fit()#单自变量单因变量的回归测试

结果：

f(x0): [[ 15.49333333]]
function:ax+b ( a= 1.0 b= 1.49333333333 )

图形显示：