Hello 大家好，我是一名新来的金融领域打工人，日常分享一些python知识，都是自己在学习生活中遇到的一些问题，分享给大家，希望对大家有一定的帮助！
今天要给大家介绍一种多元线性回归的机器学习算法，适用于多种特征用于预测标签的情况，话不多说直接上案例。
1.读取数据
今天要使用到的这份数据有四个特征一个标签，我们希望通过机器学习多元线性回归来进行特征的预测。
import pandas as pd import numpy as np from sklearn.linear_model import LinearRegression #线性回归模型 import matplotlib.pyplot as plt
读取数据：
简单地进行一些数据探索：
2.分割特征与标签
X = df.iloc[:,:-1] #feature X.head() y = df[['PE']] #target y.head()
3. 拆分训练集和测试集
from sklearn.model_selection import train_test_split X_train,X_test,y_train,y_test = train_test_split(X, y, random_state=1) X_train #训练集
4.线性回归模型建模
line = LinearRegression() line.fit(X_train,y_train)
通过打印截距与系数我们已经可以得到线性回归的方程：
线性回归的表达式如下：
5.模型评价
我们来查看预测值：
查看误差，代码以及结果如下：
from sklearn import metrics
print("MSE: ", metrics.mean_squared_error(y_test,y_pred))
print("RMSE: ", np.sqrt(metrics.mean_squared_error(y_test,y_pred)))
print('R^2: ', metrics.r2_score(y_test,y_pred))
MSE: 20.83719154722035 RMSE: 4.564777272465805 R^2: 0.9297935741511321
6.整理结果
data = pd.concat([pd.DataFrame(y),pd.DataFrame(y_predicted)],axis=1) data.columns = ['Measured','Predicted'] data
绘图：
import plotly_express as px fig = px.scatter(data,x='Measured',y='Predicted',trendline='ols',trendline_color_override='red') fig.show()
这张图横坐标是真实值，纵坐标是预测值：我们还可以进一步查看图片的内容：
这张图中甚至写出来拟合线的方程，以及R^2的大小：
总的来说，通过多元线性回归模型得到的预测值和实际值可以很好的拟合上！
好啦今天就分享到这里！
