Python大数据分析——一元与多元线性回归模型
- 相关分析
- 概念
- 示例
- 一元线性回归模型
- 概念
- 理论分析
- 函数
- 示例
- 多元线性回归模型
- 概念
- 理论分析
- 示例
- 线性回归模型的假设检验
- 模型的F检验
- 理论分析
- 示例
- 模型的T检验
- 理论分析
- 示例
相关分析
概念
a 正相关；b 负相关；c 不相关；d 存在关系但不存在线性关系
相关系数的计算：
相关系数ρ一定是取[-1,1]之间的数
示例
对于一元的：
# 导入第三方模块
import pandas as pd
income = pd.read_csv('D:\pythonProject\data\Salary_Data.csv')
# 查看变量有哪些
income.columns
# 查看两者的相关性
income.Salary.corr(income.YearsExperience)
输出：
0.9782416184887598
对于多元的：
# 导入第三方模块
import pandas as pd
# 导入数据
Profit = pd.read_excel(r'D:\pythonProject\data\Predict to Profit.xlsx')
# 查看变量有哪些
Profit.columns
# 查看多对一的相关性（要删除其中的离散变量）
Profit.drop('State', axis=1).corrwith(Profit['Profit'])
输出：
如果在多元中找两两的相关性用：
# 导入第三方模块
import pandas as pd
# 导入数据
Profit = pd.read_excel(r'D:\pythonProject\data\Predict to Profit.xlsx')
# 查看变量有哪些
Profit.columns
# 查看两两的相关性（要删除其中的离散变量）
Profit.drop('State', axis=1).corr()
输出：
一元线性回归模型
概念
一元线性回归是分析只有一个自变量（自变量x和因变量y）线性相关关系的方法。一个经济指标的数值往往受许多因素影响，若其中只有一个因素是主要的，起决定性作用，则可用一元线性回归进行预测分析。
理论分析
首先观察点的分布
1、两边变量之间存在明显的线性关系；
2、根据常识，工作年限是因，薪资水平是果；
3、是否存在某个模型（即图中的一次函数）可以刻画两个变量
之间的关系呢？
可以根据一元线性函数可得
1、模型中的x称为自变量，y称为因变量；
2、a为模型的截距项，b为模型的斜率项，ε为模型的误差项；
3、误差项ε的存在主要是为了平衡等号两边的值，通常被称为模型
无法解释的部分；
那么接下来就要考虑a和b如何求解
为了确保生成的线与点的距离靠近，也就是距离最近。
思路：
1、如果拟合线能够精确地捕捉到每一个点（即所有散点全部落在拟
合线上），那么对应的误差项ε应该为0；
2、所以，模型拟合的越好，则误差项ε应该越小。进而可以理解为：
求解参数的问题便是求解误差平方和最小的问题；
那么公式就为
为什么是平方，因为当点在生成线的下面时，差值为负，为了防止正负相消，我们取平方的值保障为正。
1、J(a,b)为目标函数，需求这个函数的最小值
2、我们求J最小值，求解方法便是计算目标函数关于参数a和b的两个偏导数，最终令偏导数为0即可。（因为当函数的导数=0的时候，函数取极值）
数学推导过程
1、展开目标函数中的平方项
2、计算a和b的偏导数，并令其为0
3、转换公式
4、化简为a和b为0的形式
不难发现a的两个求和再除以n的计算为y和x的平均值，并再次化简a和b为
函数
#导入第三方模块
import statsmodels.api as sm
sm.ols(formula, data, subset=None, drop_cols=None)
formula：以字符串的形式指定线性回归模型的公式，如’y~x’就表示简单线性回归模型
data：指定建模的数据集
subset：通过bool类型的数组对象，获取data的子集用于建模
drop_cols：指定需要从data中删除的变量
其中ols，我们指的是最小二乘法
示例
# 导入第三方模块
import pandas as pd
import statsmodels.api as sm
income = pd.read_csv('D:\pythonProject\data\Salary_Data.csv')
# 利用收入数据集，构建回归模型
fit = sm.formula.ols('Salary ~ YearsExperience', data = income).fit()
# 返回模型的参数值
fit.params
输出：
a也就是Intercept，截距
b也就是YearsExperience，斜率
多元线性回归模型
概念
对于一元线性回归模型来说，其反映的是单个自变量对因变量的影响，然而实际情况中，影响因变量的自变量往往不止一个，从而需要将一元线性回归模型扩展到多元线性回归模型。
其中，xij 代表第 i 行的第 j 变量值。如果按照一元线性回归模型的逻辑，那么多元线性回归模型应该就是因变量y与自变量X的线性组合。
所以，基于一元线性回归模型的扩展，可以将多元线性回归模型表示为：
进一步，根据线性代数的知识，可以将上式表示为矩阵的形式：
理论分析
首先构造目标函数（跟一元思路一样）
展开平方项
在线性代数里，Σz^2=z’*z（z’为z的转置）
为了方便理解举个例子：
那么我们就可得
求偏导为0
这里要补充点矩阵求导知识点
更多矩阵求导内容请点击这里
根据上面计算，由此我们可得
计算偏回归函数
示例
数据内容为
数据集包含5个变量，分别是产品的研发成本、管理成本、市场营销成本、销售市场和销售利润。
# 导入第三方模块
import pandas as pd
import statsmodels.api as sm
from sklearn import model_selection
# 导入数据
Profit = pd.read_excel(r'D:\pythonProject\data\Predict to Profit.xlsx')
# 将数据集拆分为训练集和测试集，测试集为20%
train, test = model_selection.train_test_split(Profit, test_size = 0.2, random_state=1234)
# 根据train数据集建模，默认为连续的数学变量，而State变成了分类变量
model = sm.formula.ols('Profit ~ RD_Spend+Administration+Marketing_Spend+C(State)', data = train).fit()
print('模型的偏回归系数分别为：\n', model.params)
# 删除test数据集中的Profit变量，用剩下的自变量进行预测
test_X = test.drop(labels = 'Profit', axis = 1)
pred = model.predict(exog = test_X)
print('对比预测值和实际值的差异：\n',pd.DataFrame({'Prediction':pred,'Real':test.Profit}))
输出：
Intercept 为截距；其余的为系数变量
在预测与实际值比较，差异小说明拟合好，差异大说明不好
注意！
x变量要是全是连续变量p，那么输出的变量也是一致的，也是p
但若出现字符串，那么我们想要字符串也变成数字变量，我们就需要改成分类变量，也就是x2_1, x2_2等，在这里面就是New York和Florida，拆分成了两个x2，那为什么不是全部的？因为在分类变量里，二者会出现强相关内部关系，p会大，不满足线性回归的假设前提，我们需要抛去一个（不过程序会默认砍掉一个）
那么当然我们也可以自己选择删除的变量
默认情况下，对于离散变量State而言，模型选择California值作为对照组。
# 导入第三方模块
import pandas as pd
import statsmodels.api as sm
from sklearn import model_selection
# 导入数据
Profit = pd.read_excel(r'D:\pythonProject\data\Predict to Profit.xlsx')
# 生成由State变量衍生的哑变量
dummies = pd.get_dummies(Profit.State)
# 将哑变量与原始数据集水平合并
Profit_New = pd.concat([Profit,dummies], axis = 1)
# 删除State变量和California变量（因为State变量已被分解为哑变量，New York变量需要作为参照组）
Profit_New.drop(labels = ['State','New York'], axis = 1, inplace = True)
# 拆分数据集Profit_New
train, test = model_selection.train_test_split(Profit_New, test_size = 0.2, random_state=1234)
# 建模
model2 = sm.formula.ols('Profit~RD_Spend+Administration+Marketing_Spend+Florida+California', data = train).fit()
print('模型的偏回归系数分别为：\n', model2.params)
输出：
我们可以看到没了纽约，而有了其他的
那最后函数可写成：Profit=58068.05+0.80RDSpend-0.06Administation+0.01Marketing_Spend+1440.86Florida
+513.47California
线性回归模型的假设检验
做假设检验的目的，是看我们构造的模型合不合理。
模型的F检验
F检验是检验模型的合理性
1、提出问题的原假设和备择假设
2、在原假设的条件下，构造统计量F
3、根据样本信息，计算统计量的值
4、对比统计量的值和理论F分布的值，当统计量值超过理论值时，拒绝原假设，否则接受原假设
理论分析
首先构造假设
H0叫原假设；H1叫备择假设
再构造统计量
n是变量数目，p是样本数目
计算的F与分布的理论F(p, n-p-1)两者相互比对
其中：
TSS=ESS+RSS
ESS叫离差/残差平方和
RSS叫回归平方和
TSS叫总差平方和
示例
我们先建模，然后做F检验
# 导入第三方模块
import pandas as pd
import statsmodels.api as sm
from sklearn import model_selection
# 导入数据
Profit = pd.read_excel(r'D:\pythonProject\data\Predict to Profit.xlsx')
# 生成由State变量衍生的哑变量
dummies = pd.get_dummies(Profit.State)
# 将哑变量与原始数据集水平合并
Profit_New = pd.concat([Profit,dummies], axis = 1)
# 删除State变量和California变量（因为State变量已被分解为哑变量，New York变量需要作为参照组）
Profit_New.drop(labels = ['State','New York'], axis = 1, inplace = True)
# 拆分数据集Profit_New
train, test = model_selection.train_test_split(Profit_New, test_size = 0.2, random_state=1234)
# 建模
model2 = sm.formula.ols('Profit~RD_Spend+Administration+Marketing_Spend+Florida+California', data = train).fit()
# print('模型的偏回归系数分别为：\n', model2.params)# 导入第三方模块
import numpy as np
# 计算建模数据中因变量的均值
ybar = train.Profit.mean()
# 统计变量个数和观测个数
p = model2.df_model
n = train.shape[0]
# 计算回归离差平方和
RSS = np.sum((model2.fittedvalues-ybar) ** 2)
# 计算误差平方和
ESS = np.sum(model2.resid ** 2)
# 计算F统计量的值
F = (RSS/p)/(ESS/(n-p-1))
print('F统计量的值：',F)
输出：
F统计量的值： 174.63721716733755
接着对比实际
# 导入模块
from scipy.stats import f
# 计算F分布的理论值
F_Theroy = f.ppf(q=0.95, dfn = p,dfd = n-p-1)
print('F分布的理论值为：',F_Theroy)
输出：
F分布的理论值为： 2.502635007415366
我们发现，计算出来的F统计量值174.64远远大于F分布的理论值2.50，所以应当拒绝原假设，即认为多元线性回归模型是显著的，也就是说回归模型的偏回归系数都不全为0。
模型的T检验
T检验是检验系数的合理性
理论分析
首先提出假设
构造统计量
ε是误差项；cjj是(X’X)^-1的对角线，也就是(X’X)逆的对角线
示例
利用model的方法
# 导入第三方模块
import pandas as pd
import statsmodels.api as sm
from sklearn import model_selection
# 导入数据
Profit = pd.read_excel(r'D:\pythonProject\data\Predict to Profit.xlsx')
# 生成由State变量衍生的哑变量
dummies = pd.get_dummies(Profit.State)
# 将哑变量与原始数据集水平合并
Profit_New = pd.concat([Profit,dummies], axis = 1)
# 删除State变量和California变量（因为State变量已被分解为哑变量，New York变量需要作为参照组）
Profit_New.drop(labels = ['State','New York'], axis = 1, inplace = True)
# 拆分数据集Profit_New
train, test = model_selection.train_test_split(Profit_New, test_size = 0.2, random_state=1234)
# 建模
model2 = sm.formula.ols('Profit~RD_Spend+Administration+Marketing_Spend+Florida+California', data = train).fit()
# print('模型的偏回归系数分别为：\n', model2.params)# 有关模型的概览信息
model2.summary()
输出：
对比下结论
p≤0.05时才通过，或者叫t的绝对值大于2
从返回的结果可知，只有截距项Intercept和研发成本RD Spend对应的p值小于0.05，其余变量都没有通过系数的显著性检验，即在模型中这些变量不是影响利润的重要因素。
