已跪！终于有人把Python线性回归全面解释清楚了

Y = 1.89 * X + 0.667

在检查了一些X值后，可以预测公里数。一个例子如下所示：

我们得到了模型，但是是一种简单的技术。让我们用python检查是否获得相同的值。

#import all the libraries

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import statsmodels.api as sm

读取Excel文件

df = pd.read_excel(“fitness.xlsx”)

使用describe函数查看统计信息。

将数据分为x和y。

y = df[‘Y1’]

x = df[‘X1’]

#plot the scatter plot between them

plt.scatter(x,y)

plt.xlabel(‘Energy’, fontsize =20)

plt.ylabel(‘Kms Covered’, fontsize =20)

plt.show()

我们几乎得到了线性相关。

现在，将OLS模型拟合到我们的数据上。

x_new = sm.add_constant(x)

output = sm.OLS(y, x_new).fit()

output.summary()

#output:

coef

---

const 0.667

x1 1.89

得到摘要后，我们得到相同的值。在这里，我们使用statsmodels，这是用于统计和推断的出色库。

拟合之后，OLS模型允许使用拟合线检查散布图。

plt.scatter(x1,y)

y_pred = 1.89*X + 0.667

fig = plt.plot(x1, y_pred, lw = 5, c=‘red’, label=‘regression line’

plt.xlabel(‘Energy’, fontsize =20)

plt.ylabel(‘Kms Covered’, fontsize =20)

plt.show()

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！