多元回归模型分析案例（python机器学习）

一篇文章写清楚一个问题，关注我，自学python！

今天用一个实际例子带大家走遍多元线性回归模型机器学习的全程。

实例问题描述

我们现在拿到如上图的数据集，今天要做的就是建立多元线性回归模型，利用area， bedrooms， age来预测房价price。

实例操作

import pandas as pd
import numpy as np
from sklearn import linear_model
df = pd.read_csv('dataset/homeprices.csv')

运行以上代码就可以导入数据

注意到这个数据集是有缺失值的。需要提前处理掉缺失值，关于缺失值的处理我之前有专门文章介绍。

数据预处理

对于此例，预处理很简单就是处理缺失数据。

df.bedrooms = df.bedrooms.fillna(df.bedrooms.median())

我们直接用bedrooms的中位数填补确实即可，填补结果如下：

模型拟合

reg = linear_model.LinearRegression()
reg.fit(df.drop('price',axis='columns'),df.price)

通过以上代码就拟合出了我们的多元线性回归模型，通过.coef_和.intercept_方法可以查看模型的回归系数和截距。

给大家讲一讲模型的一般形式：

在这个例子中，price是因变量，area， bedrooms，age都是自变量，模型拟合的过程就是寻找最优的系数m1,m2,m3的过程。我们可以查看我们拟合模型的系数。

reg.coef_
reg.intercept_

上面代码可以查看模型系数和截距b，输出为

模型训练好后，我们就可以在给定area， bedrooms，age的情况下预测出price

reg.predict([[3000, 3, 40]])

可以看到，无论是通过.predict方法还是通过带入系数运算得到的预测结果都是一样的。

小结

今天给大家实例操作了多元线性回归模型的训练过程，感谢大家耐心看完。发表这些东西的主要目的就是督促自己，希望大家关注评论指出不足，一起进步。内容我都会写的很细，用到的数据集也会在原文中给出链接，你只要按照文章中的代码自己也可以做出一样的结果，一个目的就是零基础也能懂，因为自己就是什么基础没有从零学Python的，加油。

（站外链接发不了，请关注后私信回复“数据链接”获取本头条号所有使用数据）

往期内容：

python数据分析：缺失值处理

python机器学习：如何划分训练集和测试集

机器学习：一元回归的模型建立