con trăn. Thực hiện hồi quy đa thức
Cải thiện bài viết
Lưu bài viết
Thích bài viết
- Độ khó. Trung bình
- Cập nhật lần cuối. 11 tháng 1 năm 2023
Cải thiện bài viết
Lưu bài viết
Hồi quy đa thức là một dạng hồi quy tuyến tính trong đó mối quan hệ giữa biến độc lập x và biến phụ thuộc y được mô hình hóa dưới dạng đa thức bậc n. Hồi quy đa thức phù hợp với mối quan hệ phi tuyến tính giữa giá trị của x và giá trị trung bình có điều kiện tương ứng của y, ký hiệu là E[y. x]
Tại sao hồi quy đa thức.
- Có một số mối quan hệ mà một nhà nghiên cứu sẽ đưa ra giả thuyết là đường cong. Rõ ràng, các loại trường hợp như vậy sẽ bao gồm một thuật ngữ đa thức
- Kiểm tra dư lượng. Nếu chúng ta cố gắng khớp một mô hình tuyến tính với dữ liệu cong, thì biểu đồ phân tán của phần dư [trục Y] trên công cụ dự đoán [trục X] sẽ có các mảng gồm nhiều phần dư dương ở giữa. Do đó trong một tình huống như vậy, nó không thích hợp
- Một giả định trong phân tích hồi quy tuyến tính bội thông thường là tất cả các biến độc lập đều độc lập. Trong mô hình hồi quy đa thức, giả định này không thỏa mãn
Công dụng của hồi quy đa thức.
Về cơ bản, chúng được sử dụng để xác định hoặc mô tả các hiện tượng phi tuyến tính như.
- Tốc độ phát triển của các mô
- Diễn tiến của dịch bệnh
- Phân bố đồng vị carbon trong trầm tích hồ
Mục tiêu cơ bản của phân tích hồi quy là mô hình hóa giá trị kỳ vọng của biến phụ thuộc y theo giá trị của biến độc lập x. Trong hồi quy đơn giản, chúng tôi đã sử dụng phương trình sau -
y = a + bx + e
Ở đây y là biến phụ thuộc, a là tung độ y, b là hệ số góc và e là tỷ lệ lỗi
Trong nhiều trường hợp, mô hình tuyến tính này sẽ không hoạt động. Ví dụ: nếu chúng ta phân tích quá trình sản xuất tổng hợp hóa học theo nhiệt độ mà tại đó quá trình tổng hợp diễn ra trong những trường hợp như vậy, chúng ta sử dụng mô hình bậc hai
y = a + b1x + b2^2 + e
Ở đây y là biến phụ thuộc vào x, a là chặn y và e là tỷ lệ lỗi
Nói chung, chúng ta có thể lập mô hình cho giá trị thứ n.
y = a + b1x + b2x^2 +....+ bnx^n
Vì hàm hồi quy là tuyến tính theo các biến chưa biết, do đó các mô hình này là tuyến tính từ điểm ước tính
Do đó, thông qua kỹ thuật Bình phương nhỏ nhất, hãy tính giá trị phản hồi là y
Hồi quy đa thức trong Python.
Để lấy Bộ dữ liệu được sử dụng để phân tích Hồi quy đa thức, hãy nhấp vào đây
Bước 1. Nhập thư viện và tập dữ liệu
Nhập các thư viện quan trọng và tập dữ liệu chúng tôi đang sử dụng để thực hiện Hồi quy đa thức.
Python3
# Importing the libraries
import
numpy as np
import
matplotlib.pyplot as plt
import
pandas as pd
y = a + b1x + b2^2 + e0
y = a + b1x + b2^2 + e1
y = a + b1x + b2^2 + e2
y = a + b1x + b2^2 + e3
y = a + b1x + b2^2 + e4
y = a + b1x + b2^2 + e5
y = a + b1x + b2^2 + e6
y = a + b1x + b2^2 + e2
Bước 2. Chia tập dữ liệu thành 2 thành phần
Chia tập dữ liệu thành hai thành phần là X và y. X sẽ chứa Cột từ 1 đến 2. y sẽ chứa 2 cột.
Python3
y = a + b1x + b2^2 + e8
y = a + b1x + b2^2 + e3
y = a + b1x + b2x^2 +....+ bnx^n0
y = a + b1x + b2x^2 +....+ bnx^n1
y = a + b1x + b2x^2 +....+ bnx^n2
y = a + b1x + b2x^2 +....+ bnx^n3_______2_______4
y = a + b1x + b2x^2 +....+ bnx^n5_______1_______3
y = a + b1x + b2x^2 +....+ bnx^n0
y = a + b1x + b2x^2 +....+ bnx^n3
y = a + b1x + b2x^2 +....+ bnx^n4
Bước 3. Lắp hồi quy tuyến tính vào tập dữ liệu
Khớp mô hình Hồi quy tuyến tính Trên hai thành phần.
Python3
# Importing the libraries
0
# Importing the libraries
1 # Importing the libraries
2import
# Importing the libraries
4
# Importing the libraries
5
y = a + b1x + b2^2 + e3
# Importing the libraries
7y = a + b1x + b2^2 + e0
# Importing the libraries
9
Bước 4. Lắp hồi quy đa thức vào tập dữ liệu
Lắp mô hình hồi quy đa thức trên hai thành phần X và y.
Python3
import
0
# Importing the libraries
1 import
2import
import
4
y = a + b1x + b2^2 + e0
import
6
y = a + b1x + b2^2 + e3
import
8y = a + b1x + b2^2 + e3
numpy as np
0y = a + b1x + b2^2 + e6
numpy as np
2
y = a + b1x + b2^2 + e3
numpy as np
4y = a + b1x + b2^2 + e0
numpy as np
6
numpy as np
7
y = a + b1x + b2^2 + e3
# Importing the libraries
7import
0
Bước 5. Trong bước này, chúng tôi đang Trực quan hóa các kết quả Hồi quy tuyến tính bằng cách sử dụng biểu đồ phân tán.
Python3
import
1
import
2_______1_______3 import
4
y = a + b1x + b2^2 + e6
y = a + b1x + b2^2 + e0
import
7
y = a + b1x + b2^2 + e3
import
9y = a + b1x + b2^2 + e6
matplotlib.pyplot as plt
1matplotlib.pyplot as plt
2
y = a + b1x + b2^2 + e6
matplotlib.pyplot as plt
4matplotlib.pyplot as plt
5
y = a + b1x + b2^2 + e6
matplotlib.pyplot as plt
7_______70_______8
y = a + b1x + b2^2 + e6
y = a + b1x + b2^2 + e0
import
1
Bước 6. Trực quan hóa kết quả hồi quy đa thức bằng biểu đồ phân tán
Python3
import
2
import
2_______1_______3 import
4
y = a + b1x + b2^2 + e6
y = a + b1x + b2^2 + e0
import
8
y = a + b1x + b2^2 + e3
import
9y = a + b1x + b2^2 + e6
matplotlib.pyplot as plt
1pandas as pd
3
y = a + b1x + b2^2 + e6
matplotlib.pyplot as plt
4matplotlib.pyplot as plt
5
y = a + b1x + b2^2 + e6
matplotlib.pyplot as plt
7_______70_______8
y = a + b1x + b2^2 + e6
y = a + b1x + b2^2 + e0
import
1
Bước 7. Dự đoán kết quả mới với cả hồi quy tuyến tính và đa thức. Lưu ý rằng biến đầu vào phải ở trong một mảng 2D gọn gàng
Python3
y = a + b1x + b2^2 + e03
y = a + b1x + b2^2 + e04______1_______3
y = a + b1x + b2^2 + e06
y = a + b1x + b2^2 + e07
y = a + b1x + b2^2 + e3
y = a + b1x + b2^2 + e09
y = a + b1x + b2^2 + e10
Python3
y = a + b1x + b2^2 + e11
y = a + b1x + b2^2 + e12_______1_______3
y = a + b1x + b2^2 + e06
y = a + b1x + b2^2 + e15
y = a + b1x + b2^2 + e3
y = a + b1x + b2^2 + e17
y = a + b1x + b2^2 + e18
Ưu điểm của việc sử dụng hồi quy đa thức.
- Một loạt các chức năng có thể phù hợp với nó
- Đa thức về cơ bản phù hợp với một loạt các độ cong
- Đa thức cung cấp xấp xỉ tốt nhất về mối quan hệ giữa các biến phụ thuộc và biến độc lập
Nhược điểm của việc sử dụng hồi quy đa thức
- Đây là quá nhạy cảm với các ngoại lệ
- Sự hiện diện của một hoặc hai giá trị ngoại lai trong dữ liệu có thể ảnh hưởng nghiêm trọng đến kết quả phân tích phi tuyến tính
- Ngoài ra, thật không may, có ít công cụ xác thực mô hình hơn để phát hiện các ngoại lệ trong hồi quy phi tuyến tính so với hồi quy tuyến tính
Ghi chú cá nhân của tôi arrow_drop_up
Tiết kiệm