共计 1265 个字符,预计需要花费 4 分钟才能阅读完成。
本文已参加「新人创作礼」流动,一起开启掘金创作之路。实践上,一个人的身高除了随年纪变大而增长之外,在肯定水平上还受遗传和饮食习惯以及其余因素的影响,然而饮食等其余因素对身高的影响很难掂量。咱们能够把问题简化一下,假设一个人的身高只受年龄、性别、父母身高、祖父母身高,外祖父母身高这几个因素的影响,并假设大抵合乎线性关系。
import copy
import numpy as np
from sklearn import linear_model
# 儿童年龄, 性别 (0 女 1 男), 父亲身高, 母亲身高, 祖父身高, 祖母身高, 外祖父身高, 外祖母身高
x = np.array([[1, 0, 180, 165, 175, 165, 170, 165],
[3, 0, 180, 165, 175, 165, 173, 165],
[4, 0, 180, 165, 175, 165, 170, 165],
[6, 0, 180, 165, 175, 165, 170, 165],
[8, 1, 180, 165, 175, 167, 170, 165],
[10, 0, 180, 166, 175, 165, 170, 165],
[11, 0, 180, 165, 175, 165, 170, 165],
[12, 0, 180, 165, 175, 165, 170, 165],
[13, 1, 180, 165, 175, 165, 170, 165],
[14, 0, 180, 165, 175, 165, 170, 165],
[17, 0, 170, 165, 175, 165, 170, 165]])
# 儿童身高,单位:cm
y = np.array([60, 90, 100, 110,
130, 140, 150, 164,
160, 163, 168])
# 创立线性回归模型
lr = linear_model.LinearRegression()
# 拟合
lr.fit(x, y)
# 测试数据集
xs = np.array([[10, 0, 180, 165, 175, 165, 170, 165],
[17, 1, 173, 153, 175, 161, 170, 161],
[34, 0, 170, 165, 170, 165, 170, 165]])
for item in xs:
# 深复制,假如超过 18 岁当前就不再长高了
item1 = copy.deepcopy(item)
if item1[0] > 18:
item1[0] = 18
item2 = item1.reshape(1, -1) # 将数组转换化为一行
pre_y = lr.predict(item2) # 获取预测身高
print(item, ':', str(pre_y))
print(lr.coef_) # 线性回归函数的系数
print(lr.intercept_) # 线性回归函数的截距
i = 1
Y = "Y ="
for b in lr.coef_:
Y += str(b) + "* X" + str(i) + "\n +"
i += 1
Y += str(lr.intercept_)
print(Y) # 模型的线性回归函数方程
依据测试集预测儿童身高
多元线性回归模型:
线性回归函数的系数(获取 B1…..Bk)
线性回归函数的截距(获取截距 B0)
依据线性回归函数的系数和截距,失去模型的线性回归函数方程
正文完