用线性回归分析命令,求出 PE 与 AT、V、AP、RH 之间的线性回归关系式系数向量(包括常数项)和拟合优度(判定系数)

在发电场中电力输出(PE)与 AT(温度)、V(压力)、AP(湿度)、RH(压强)有关,相关测试数据见“发电场数据.xlsx”文件,请完成以下任务:1)利用线性回归分析命令,求出 PE 与 AT、V、AP、RH 之间的线性回归关系式系数向量(包括常数项)和拟合优度(判定系数),并在命令窗口输出;2)今有某次测试数据 AT=28.4、V=50.6、AP=1011.9、RH=80.54,试利用构建的线性回归模型预测其 PE 值。

代码:

import pandas as pd
import numpy as np

import matplotlib.pyplot as plt

data=pd.read_excel('发电场数据.xlsx')

from sklearn.linear_model import LinearRegression

x=data.iloc[1:9569,0:4]

y&

任务描述 在发电场电力输出PEAT温度)、V(压力)、AP湿度)、RH压强)有关,相关测试据见“发电场据.xlsx”文件,请完成以下任务:1)利用线性回归分析命令求出PEAT、V、APRH之间线性回归关系式系数向量包括常数拟合优度判定系数),并在命令窗口输出;2)今有某次测试AT=28.4、V=50.6、AP=1011.9、RH=80.54,试利用构建的线性回归模型预测其PE值。 相关知识 为了完成本关任务,你需要掌握:1.如何利用线性回归模型求线性回归关系式系数向量拟合优度,2.如何利用线性回归模型进行预测。 线性回归关系式系数向量拟合优度系数向量”即系数向量。 “拟合优度”是回归分析中用来检验样本据点聚集在回归线周围的密集程度,用于评价回归方程对样本观测值的拟合程度。 #判定系数 slr=lr.score(x,y) #系数 c_x=lr.coef_ #常系数 c_b=lr.intercept_ print(slr,c_x,c_b) 输出:0.9286960898122536 [-1.97751311 -0.23391642 0.06208294 -0.1580541 ] 454.6092743153102 线性回归预测模型 线性回归预测是指通过对两个或两个以上的自变量一个因变量的相关分析,建立预测模型进行预测。 示例如下: R1=lr.predict(x1) prtint(R1) 输出:[436.70378447] 编程要求 根据提示,在右侧编辑器补充代码,输出线性回归关系式系数向量包括常数)、拟合优度判定系数预测结果。 测试说明 平台会对你编写的代码进行测试测试输入:28.4,50.6,1011.9,80.54 预期输出: 436.70378447 提示: #5.导入线性方程的包 from sklearn.linear_model import LinearRegression as LR #6.创建线性回归对象 lr=LR() #7.对据进行拟合 lr.fit(x,y)#**********Begin**********# #在发电场电力输出PEAT温度)、V(压力)、AP湿度)、RH压强)有关, # 相关测试据见“发电场据.xlsx”文件,请完成以下任务: # 1)求出PEAT、V、APRH之间线性回归关系式系数向量,用列表b表示,其元素依次为常数AT回归系数、V回归系数AP回归系数RH回归系数。 # 2)求出回归方程的拟合优度判定系数),用变量r表示 # 3)今有某次测试AT=28.4、V=50.6、AP=1011.9、RH=80.54,试利用构建的线性回归模型预测其PE值 def return_values(): import pandas as pd data=pd.read_excel('发电场据.xlsx') x=data.iloc[:,0:4].values #自变量据 y=data.iloc[:,4].values #因变量据 return(b,r,PE) #**********End**********#
04-03
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值