线性回归之电力预测

最新推荐文章于 2025-05-18 13:04:42 发布

Parallax_2019

最新推荐文章于 2025-05-18 13:04:42 发布

阅读量2.4k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签：线性回归

本文链接：https://blog.youkuaiyun.com/qq_42422981/article/details/82837700

本文探讨了如何利用线性回归模型进行电力需求预测。通过详细解释线性回归的基本原理，包括假设、参数估计和模型评估，阐述了其在电力预测领域的应用。文章还介绍了如何处理预测中的挑战，如非线性关系和异常值，以及如何优化模型以提高预测准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import pandas as pd
# pandas 读取数据
data = pd.read_csv("C:/Users/Administrator/Desktop/data/ccpp.csv")
data.head()

X = data[["AT","V","AP","RH"]]
print(X.shape)
y = data[["PE"]]
print (y.shape)

"""
sklearn.cross_validation是sklearn老版本的模块，新版本都迁移到了model_selection
"""
from sklearn.model_selection import train_test_split
# 划分训练集和测试集
X_train,X_test,y_train,y_test = train_test_split(X,y,random_state=1)
print (X_train.shape)
print (y_train.shape)
print (X_test.shape)
print (y_test.shape)


from sklearn.linear_model import LinearRegression
linreg = LinearRegression()
linreg.fit(X_train,y_train)
# 训练模型完毕，查看结果
print (linreg.intercept_)# 截距
print (linreg.coef_)  #系数


y_pred = linreg.predict(X_test)
from sklearn import metrics
import numpy as np
# 使用sklearn来计算mse和Rmse
print ("MSE:",metrics.mean_squared_error(y_test, y_pred))
print ("RMSE:",np.sqrt(metrics.mean_squared_error(y_test, y_pred)))


# 交叉验证
from sklearn.model_selection import cross_val_predi