关于程序员:根据线性回归模型预测儿童身高

​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

​​