线性回归简单实践

旧城等待， 2021-11-05 10:28 339阅读 0赞

## 线性回归简单实践  ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70][]

代码如下：

import numpy as np
    #如果取不到，默认取很大的维度
    def  myPCA(data,n_components = 100000000):
        # data的均值，axis是每个属性的均值
        mean_vals = np.mean(data,axis=0)
        mid = data - mean_vals
        #求斜方差
        #rowvar = False,如果不指定False那么会对行进行斜方差计算，
        # 而这里我需要对列进行斜方差进行计算
        cov_mat = np.cov(mid,rowvar=False)
        #引入线性计算的包
        from scipy import linalg
        #求斜方差的特征值和特征向量
        eig_vals,eig_vects = linalg.eig(np.mat(cov_mat))
        #取出最大值所对应的特征向量,得到排序后的索引
        eig_val_index = np.argsort(eig_vals)
        #取最大的
        eig_val_index = eig_val_index[:-(n_components+1):-1]
        #取出特征向量
        eig_vects = eig_vects[:,eig_val_index]
        #利用矩阵乘法
        low_dim_mat = np.dot(mid,eig_vects)
        #返回转换后的矩阵转换后的特征值
        return low_dim_mat,eig_vals
    
    data = np.array([np.array([2.5,0.5,2.2,1.9,3.1,2.3,2,1,1.5,1.1]),np.array([2.4,0.7,2.9,2.2,3.0,2.7,1.6,1.1,1.6,0.9])]).T
    print(myPCA(data,n_components=1))

运行结果如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 1][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70]: /images/20211104/7fd23b374b9e4b68993dc85b3b491845.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 1]: /images/20211104/079527afc3464aefba3ce83ce2ee45fd.png