Question

我正在尝试绘制实际销售额（y）和预期销售额（ŷ）的散点图。

我已经导入了csv文件，目前用于线性回归模型的代码是：

result = smf.ols('sales ~ discount + holiday + product', data=data).fit()
print(result.summary())

既然我只有实际的销售值，那么如何找到预测的销售（ŷ）值来绘制散点图？我尝试研究，发现lm.predict()和result.predict()。有区别吗？ lm = LinearRegression() 预先谢谢你！

Answer 1

没有数据很难提供帮助，但是我想您有来自数据集的X和y，因为您想执行线性回归。您可以使用scikit-learn将数据分为训练集和测试集：

from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 1/3)

然后，您需要将线性回归拟合到训练集：

from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(X_train, y_train)

然后预测测试集结果：

y_pred = regressor.predict(X_test)

最后，您可以绘制测试或培训结果：

# Visualising the Training set results
plt.scatter(X_train, y_train, color = 'red')
plt.plot(X_train, regressor.predict(X_train), color = 'blue')
plt.title('Discount vs Sales (Training set)')
plt.xlabel('Discount percentage')
plt.ylabel('Sales')
plt.show()

# Visualising the Test set results
plt.scatter(X_test, y_test, color = 'red')
plt.plot(X_train, regressor.predict(X_train), color = 'blue')
plt.title('Discount vs Sales (Test set)')
plt.xlabel('Discount percentage')
plt.ylabel('Sales')
plt.show()

（在这种情况下，如果我们设置特定的值（例如，折扣百分比），我们希望预测会有多少销售）。如果您有多个X参数，则情况会更加复杂，您将需要使用虚拟变量，进行统计分析等。

线性回归-预测ŷ

1 个答案: