In diesem Tutorial wird erkl\u00e4rt, wie man eine kubische Regression in Python durchf\u00fchrt.<\/span><\/p>\n Angenommen, wir haben den folgenden Pandas-DataFrame, der zwei Variablen (x und y) enth\u00e4lt:<\/span><\/p>\n Wenn wir ein einfaches Streudiagramm dieser Daten erstellen, k\u00f6nnen wir erkennen, dass die Beziehung zwischen den beiden Variablen nichtlinear ist:<\/span> <\/p>\n Wenn der Wert von x zunimmt, steigt y bis zu einem bestimmten Punkt, nimmt dann ab und nimmt dann wieder zu.<\/span><\/p>\n Dieses Muster mit zwei \u201eKurven\u201c im Diagramm ist ein Hinweis auf eine kubische Beziehung zwischen den beiden Variablen.<\/span><\/p>\n Dies bedeutet, dass ein kubisches Regressionsmodell ein guter Kandidat f\u00fcr die Quantifizierung der Beziehung zwischen den beiden Variablen ist.<\/span><\/p>\n Um eine kubische Regression durchzuf\u00fchren, k\u00f6nnen wir mithilfe der Funktion<\/span> numpy.polyfit()<\/a> ein polynomiales Regressionsmodell mit Grad 3 anpassen:<\/span> <\/p>\n Wir k\u00f6nnen die angepasste kubische Regressionsgleichung erhalten, indem wir die Modellkoeffizienten drucken:<\/span><\/p>\n Die angepasste kubische Regressionsgleichung lautet:<\/span><\/p>\n y = 0,003302(x) 3<\/sup> \u2013 0,3214(x) 2<\/sup> + 9,832x \u2013 30,01<\/strong><\/span><\/p>\n Mit dieser Gleichung k\u00f6nnen wir den erwarteten Wert von y basierend auf dem Wert von x berechnen.<\/span><\/p>\n Wenn x beispielsweise 30 ist, betr\u00e4gt der erwartete Wert f\u00fcr y 64,844:<\/span><\/p>\n y = 0,003302(30) 3<\/sup> \u2013 0,3214(30) 2<\/sup> + 9,832(30) \u2013 30,01 = 64,844<\/span><\/p>\n Wir k\u00f6nnen auch eine kurze Funktion schreiben, um das R-Quadrat des Modells zu erhalten, das den Anteil der Varianz in der Antwortvariablen darstellt, der durch die Pr\u00e4diktorvariablen erkl\u00e4rt werden kann.<\/span><\/p>\n In diesem Beispiel betr\u00e4gt das R-Quadrat des Modells 0,9632<\/strong> .<\/span><\/p>\n Dies bedeutet, dass 96,32 % der Variation der Antwortvariablen durch die Pr\u00e4diktorvariable erkl\u00e4rt werden k\u00f6nnen.<\/span><\/p>\n Da dieser Wert so hoch ist, zeigt er uns, dass das kubische Regressionsmodell die Beziehung zwischen den beiden Variablen gut quantifiziert.<\/span><\/p>\n Verwandt:<\/strong> Was ist ein guter R-Quadrat-Wert?<\/a><\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in Python ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in Python durch<\/a> Die kubische Regression ist ein Regressionstyp, mit dem wir die Beziehung zwischen einer Pr\u00e4diktorvariablen und einer Antwortvariablen quantifizieren k\u00f6nnen, wenn die Beziehung zwischen den Variablen nichtlinear ist. In diesem Tutorial wird erkl\u00e4rt, wie man eine kubische Regression in Python durchf\u00fchrt. Beispiel: kubische Regression in Python Angenommen, wir haben den folgenden Pandas-DataFrame, der zwei Variablen (x […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel: kubische Regression in Python<\/span><\/strong><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' x<\/span> ': [6, 9, 12, 16, 22, 28, 33, 40, 47, 51, 55, 60],\n ' y<\/span> ': [14, 28, 50, 64, 67, 57, 55, 57, 68, 74, 88, 110]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n xy\n0 6 14\n1 9 28\n2 12 50\n3 16 64\n4 22 67\n5 28 57\n6 33 55\n7 40 57\n8 47 68\n9 51 74\n10 55 88\n11 60 110\n<\/strong><\/pre>\n import matplotlib. pyplot<\/span><\/span> as plt<\/span>\n\n#create scatterplot\n<\/span>plt. scatter<\/span> (df. x<\/span> , df. y<\/span> )<\/span><\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/cubique1.jpg\")
<\/p>\n import<\/span> numpy as<\/span> np\n\n#fit cubic regression model\n<\/span>model = np. poly1d<\/span> (np. polyfit<\/span> (df. x<\/span> , df. y<\/span> , 3))<\/span>\n\n#add fitted cubic regression line to scatterplot\n<\/span>polyline = np. linspace<\/span> (1, 60, 50)\nplt. scatter<\/span> (df. x<\/span> , df. y<\/span> )\nplt. plot<\/span> (polyline, model(polyline))\n\n#add axis labels\n<\/span>plt. xlabel<\/span> (' x<\/span> ')\nplt. ylabel<\/span> (' y<\/span> ')\n\n#displayplot\n<\/span>plt. show<\/span> ()<\/strong> <\/pre>\n![\"kubische](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/cubique2.jpg\")
<\/p>\n print<\/span> (model)\n\n 3 2\n0.003302x - 0.3214x + 9.832x - 32.01\n<\/strong><\/pre>\n #define function to calculate r-squared<\/span>\ndef<\/span> polyfit(x, y, degree):\n results = {}\n coeffs = np. polyfit<\/span> (x, y, degree)\n p = np. poly1d<\/span> (coeffs)\n #calculate r-squared<\/span>\n yhat = p(x)\n ybar = np. sum<\/span> (y)\/len(y)\n ssreg = np. sum<\/span> ((yhat-ybar) **<\/span> 2)\n sstot = np. sum<\/span> ((y - ybar) **<\/span> 2)\n results[' r_squared<\/span> '] = ssreg \/ sstot\n\n return<\/span> results\n\n#find r-squared of polynomial model with degree = 3\n<\/span>polyfit(df. x<\/span> , df. y<\/span> , 3)\n\n{'r_squared': 0.9632469890057967}\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine quadratische Regression in Python durch<\/a>
So f\u00fchren Sie eine Polynomregression in Python durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"