python - regresion - Regresión lineal con matplotlib/numpy

regresion lineal sklearn

Question

Intento generar una regresión lineal en un diagrama de dispersión que he generado, sin embargo, mis datos están en formato de lista, y todos los ejemplos que puedo encontrar de usar polyfit requieren el uso de un polyfit . arange no acepta listas, sin embargo. He buscado alto y bajo acerca de cómo convertir una lista en una matriz y nada parece claro. ¿Me estoy perdiendo de algo?

A continuación, ¿qué mejor puedo usar mi lista de enteros como entradas para el polyfit ?

aquí está el ejemplo polyfit que estoy siguiendo:

from pylab import * 

x = arange(data) 
y = arange(data) 

m,b = polyfit(x, y, 1) 

plot(x, y, ''yo'', x, m*x+b, ''--k'') 
show() 

Answer 1

Este código:

from scipy.stats import linregress

linregress(x,y) #x and y are arrays or lists.

da una lista con lo siguiente:

pendiente: flotador
pendiente de la línea de regresión
interceptar: flotar
intersección de la línea de regresión
valor r: flotar
coeficiente de correlación
valor p: flotar
valor p de dos lados para una prueba de hipótesis cuya hipótesis nula es que la pendiente es cero
stderr: flotar
Error estándar de la estimación

Source

Answer 2

Otra respuesta rápida y sucia es que puedes convertir tu lista a una matriz usando:

import numpy as np
arr = np.asarray(listname)

Answer 3

arange genera listas (bien, matrices numpy); escriba help(np.arange) para los detalles. No necesita llamarlo a listas existentes.

>>> x = [1,2,3,4]
>>> y = [3,5,7,9] 
>>> 
>>> m,b = np.polyfit(x, y, 1)
>>> m
2.0000000000000009
>>> b
0.99999999999999833

Debo añadir que tiendo a usar poly1d aquí en lugar de escribir "m * x + b" y los equivalentes de orden superior, por lo que mi versión de tu código se vería así:

import numpy as np
import matplotlib.pyplot as plt

x = [1,2,3,4]
y = [3,5,7,10] # 10, not 9, so the fit isn''t perfect

fit = np.polyfit(x,y,1)
fit_fn = np.poly1d(fit) 
# fit_fn is now a function which takes in x and returns an estimate for y

plt.plot(x,y, ''yo'', x, fit_fn(x), ''--k'')
plt.xlim(0, 5)
plt.ylim(0, 12)

Answer 4

from pylab import * 

import numpy as np
x1 = arange(data) #for example this is a list
y1 = arange(data) #for example this is a list 
x=np.array(x) #this will convert a list in to an array
y=np.array(y)
m,b = polyfit(x, y, 1) 

plot(x, y, ''yo'', x, m*x+b, ''--k'') 
show()

Answer 5

import numpy as np
import matplotlib.pyplot as plt 
from scipy import stats

x = np.array([1.5,2,2.5,3,3.5,4,4.5,5,5.5,6])
y = np.array([10.35,12.3,13,14.0,16,17,18.2,20,20.7,22.5])
gradient, intercept, r_value, p_value, std_err = stats.linregress(x,y)
mn=np.min(x)
mx=np.max(x)
x1=np.linspace(mn,mx,500)
y1=gradient*x1+intercept
plt.plot(x,y,''ob'')
plt.plot(x1,y1,''-r'')
plt.show()

Utilizar esta ..