目錄

1 多元線性迴歸基本理論

1.1 multiple regression

1.2 多元迴歸模型

1.3 多元迴歸方程

1.4 估計多元迴歸方程

1.5 估計流程（與簡單線性迴歸類似）

1.6 估計方法

1.7 例子

2 使用python實現上述過程，並預測，x1=102,x2=6時的結果

3 進階：如果自變數x中有不同種類怎麼解決？

---

1 多元線性迴歸基本理論

1.1 multiple regression

     多個自變數x

1.2 多元迴歸模型

1.3 多元迴歸方程

1.4 估計多元迴歸方程

1.5 估計流程（與簡單線性迴歸類似）

1.6 估計方法

 

1.7 例子

	x1	x2	y
1	100	4	9.3
2	50	3	4.8
3	100	4	8.9
4	100	2	6.5
5	50	2	4.2
6	80	2	6.2
7	75	3	7.4
8	65	4	6.0
9	90	3	7.6
10	90	2	6.1

                                                                  

假設計算出來的b0=-0.869 , b1 = 0.0611 ,  b2 = 0.923，理解，x1加1，則y變化0.0611

---

2 使用python實現上述過程，並預測，x1=102,x2=6時的結果

from numpy import genfromtxt
import numpy as np
from sklearn import datasets, linear_model

dataPath = r"F:/python/實驗/diliver.csv"
data =genfromtxt(dataPath,delimiter=',')

print("資料:")
print(data)

x = data[:, :-1]
y = data[:, -1]

print(x)
print(y)

regr = linear_model.LinearRegression()

regr.fit(x, y)

print("從b1開始輸出引數預測")
print(regr.coef_)
print("b0的結果，截面：")
print(regr.intercept_)

#假如x1=102,x2=6，預測新值
xp = [[102, 6]]
print(xp)
yp = regr.predict(xp)
print("預測出來的值：")
print(yp)

執行結果：

3 進階：如果自變數x中有不同種類怎麼解決？

	x1	x2	分類	y
1	100	4	1	9.3
2	50	3	0	4.8
3	100	4	1	8.9
4	100	2	2	6.5
5	50	2	2	4.2
6	80	2	1	6.2
7	75	3	1	7.4
8	65	4	2	6.0
9	90	3	2	7.6

 分型別變數不能直接將分類作為一個引數直接加入，因為1,2,0都沒有實際意義，只是用來區分種類

將上述表格的分類進行變換，將種類個數變為列數，如果屬於哪一類就為1，其它為0

	x1	x2	0	1	2	y
1	100	4	0	1	0	9.3
2	50	3	1	0	0	4.8
3	100	4	0	1	0	8.9
4	100	2	0	0	1	6.5
5	50	2	0	0	1	4.2
6	80	2	0	1	0	6.2
7	75	3	0	1	0	7.4
8	65	4	0	0	1	6.0
9	90	3	0	0	1	7.6

 

#本程式是用來多元線性迴歸分析中，自變數含有類別時如何處理
from numpy import genfromtxt
import numpy as np
from sklearn import datasets, linear_model

dataPath = r"F:/python/實驗/PreDiliver.csv"
data =genfromtxt(dataPath,delimiter=',')

print("資料:")
print(data)

x = data[:, :-1]
y = data[:, -1]

print(x)
print(y)

regr = linear_model.LinearRegression()

regr.fit(x, y)

print("從b1開始輸出引數預測:b1,b2,b3,b4,b5")
print(regr.coef_)
print("b0的結果，截面：")
print(regr.intercept_)

#假如x1=102,x2=6，第1類，預測新值
xp = [[102, 6, 0, 1, 0]]
print(xp)
yp = regr.predict(xp)
print("預測出來的值：")
print(yp)

結果：