2.1.11.2.Linear regression with Python

1. 匯入基本的library

• pandas, numpy, matplotlib, seaborn

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

• 將圖表直接嵌入到Notebook之中

%matplotlib inline

2.讀取資料並了解資料

• 讀取資料

    df = pd.read_csv('USA_Housing.csv')

• 可以確認前幾筆資料的內容長怎樣, 例如確認前10筆

    df.head(10)

• 了解資料欄位的型別以及變數的型態

    df.info()

• 取得資料的基本統計數值: 如數量, 平均值, 標準差, 四分位數等數值

    df.describe()

• 取得df中的欄位名稱

    df.columns
  
    output:
    Index(['Avg. Area Income', 'Avg. Area House Age', 'Avg. Area Number of Rooms',
       'Avg. Area Number of Bedrooms', 'Area Population', 'Price', 'Address'],
      dtype='object')

3.繪製圖表分析資料

• 利用seaborn繪製多變量圖(pairplot), 多變量圖的輸入資料可以用sns.load_dataset()讀入資料, 也可以用pd.read_csv所讀入的資料

    sns.pairplot(df)

  

• 利用seanborn繪製散點圖(distplot)

    sns.distplot(df['Price'])

  

• 利用seaborn繪製不同數值間相關係數的熱力圖

  • 其中df.corr()會拿資料中的數值欄位來形成相關係數矩陣

    sns.heatmap(df.corr(), annot = True)

    

5. 使用Skikit-learn library

• Skikit-learn model的使用方式都是用from sklearn.family import model的形式

    # from sklearn.family import model
    from sklearn.cross_validation import train_test_split

• 首先介紹train_test_split, 這個函式可以隨機劃分訓練集和測試集

    #从样本中随机的按比例选取train data和testdata
    #X：features of data, 或是稱為所要劃分的樣本特徵集
    #Y：labels of data, 或是稱為所要劃分的樣本結果
    #test_size：樣本占比, 如果是整数的话就是樣本的数量
    #random_state：是隨機數的種子
    X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.4, random_state=101)

  • 舉例來說, 如果我們想用每天的氣溫資料預測飲料的銷售業績, 則可以把X帶入每天的氣溫資料, Y帶入飲料的銷售業績資料

• 建立複回歸模型

  • 在這個例子中, 我們希望做的事情是用Avg. Area Income (平均區域所得), Avg. Area House Age (平均屋齡), Avg. Area Number of Rooms (平均房間數), Avg. Area Number of Bedrooms (平均臥房數), Area Population (區域人數)來預估Price (房價), 回歸模型中若有多個變量參與則稱為複回歸模型

    X = df[['Avg. Area Income', 'Avg. Area House Age', 'Avg. Area Number of Rooms', 'Avg. Area Number of Bedrooms', 'Area Population']]
    Y = df['Price']
    X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.4, random_state=101)

  • 建立線性回歸模型

    from sklearn.linear_model import LinearRegression
    lm = LinearRegression()
    lm.fit(X_train, y_train)
    #印出相關係數
    print(lm.coef_)
    #印出截距
    print(lm.intercept_)

6. 利用Skikit-learn進行預測

• 用測試集資料進行預測

    predictions = lm.predict(X_test)

• 繪圖來看看預測值與測試集的一致性

  • 散布圖

    plt.scatter(y_test, predictions)

    

  • 直方圖

    sns.distplot((y_test-predictions))

    

• 評估線性回歸模型品質的指標 (Regression Evaluation Metrics) 1. Mean Absolute Error (MAE): 即為平均誤差 2. Mean Square Error (MSE): 平均平方誤差 3. Root Mean Square Error (RMSE)

    from sklearn import metrics
    metrics.mean_absolute_error(y_test, predictions)
    metrics.mean_squared_error(y_test, predictions)
    np.sqrt(metrics.mean_squared_error(y_test, predictions))