Regression_1

import numpy as np

from sklearn.linear_model import LinearRegression

import matplotlib.pyplot as plt

# -1은 해당 차원의 크기가 다른 차원에 의해 자동으로 조정되도록 함, 열의 수는 1개이고 행의 수는 데이터의 개수에 따라 자동으로 조정되도록 조정

키 = np.array([170,180,160,165,158,176,182,172]).reshape((-1,1))

몸무게 = [75,81,59,70,55,78,84,72]

model = LinearRegression().fit(키, 몸무게)

print(model.score(키, 몸무게)) # R^2 값

print(model.intercept_) # y_i = b0 + b1 * x_i 일때 B0 값

print(model.coef_) # b1 값

plt.scatter(키, 몸무게)

plt.plot(키, model.predict(키), color='red')

plt.show()

-----------------------------------------------------------------------------------------------------------------------------------------------------

 

# 독립변수가 여러 개인 회귀분석

import numpy as np

import statsmodels.api as sm # regression 결과를 깔끔하게 보여주는 툴

import pandas as pd

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

# x1, x2, x3를 [[year1, rooms1, bedrooms1], [year2, rooms2, bedrooms2], ...] 이런 형식으로 넣어야함

# df에서 위 형식으로 x 데이터를 가져오는 방법

# model = sm.OLS(df['price'], df[['year', 'rooms', 'bedrooms']]).fit()

# 상수항을 추가하여 x 데이터 구성

X = sm.add_constant(df[['year', 'rooms', 'bedrooms']])

# OLS 모델 적합

model = sm.OLS(df['price'], X).fit()

print(model.summary())

# 여러 개의 x를 이용한 forecasting을 위해 각 데이터에 상수항을 추가하여 예측

a = model.predict(sm.add_constant([[20, 1000, 200], [10, 500, 100]]))

print(a)