Questo tutorial spiega come eseguire la regressione cubica in Python.<\/span><\/p>\n Supponiamo di avere il seguente DataFrame panda che contiene due variabili (xey):<\/span><\/p>\n Se creiamo un semplice grafico a dispersione di questi dati, possiamo vedere che la relazione tra le due variabili non \u00e8 lineare:<\/span> <\/p>\n All’aumentare del valore di x, y aumenta fino a un certo punto, poi diminuisce, quindi aumenta di nuovo.<\/span><\/p>\n Questo modello con due “curve” nel grafico indica una relazione cubica tra le due variabili.<\/span><\/p>\n Ci\u00f2 significa che un modello di regressione cubica \u00e8 un buon candidato per quantificare la relazione tra le due variabili.<\/span><\/p>\n Per eseguire la regressione cubica, possiamo adattare un modello di regressione polinomiale di grado 3 utilizzando la funzione<\/span> numpy.polyfit()<\/a> :<\/span> <\/p>\n Possiamo ottenere l’equazione di regressione cubica adattata stampando i coefficienti del modello:<\/span><\/p>\n L\u2019equazione di regressione cubica adattata \u00e8:<\/span><\/p>\n y = 0,003302(x) 3<\/sup> \u2013 0,3214(x) 2<\/sup> + 9,832x \u2013 30,01<\/strong><\/span><\/p>\n Possiamo usare questa equazione per calcolare il valore atteso di y in base al valore di x.<\/span><\/p>\n Ad esempio, se x \u00e8 30, il valore previsto per y \u00e8 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 Possiamo anche scrivere una breve funzione per ottenere l’R quadrato del modello, ovvero la proporzione della varianza nella variabile di risposta che pu\u00f2 essere spiegata dalle variabili predittive.<\/span><\/p>\n In questo esempio, il quadrato R del modello \u00e8 0,9632<\/strong> .<\/span><\/p>\n Ci\u00f2 significa che il 96,32% della variazione nella variabile di risposta pu\u00f2 essere spiegato dalla variabile predittore.<\/span><\/p>\n Poich\u00e9 questo valore \u00e8 cos\u00ec alto, ci dice che il modello di regressione cubica quantifica bene la relazione tra le due variabili.<\/span><\/p>\n Correlato:<\/strong> Qual \u00e8 un buon valore R quadrato?<\/a><\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in Python:<\/span><\/p>\n Come eseguire una semplice regressione lineare in Python<\/a> La regressione cubica \u00e8 un tipo di regressione che possiamo utilizzare per quantificare la relazione tra una variabile predittrice e una variabile di risposta quando la relazione tra le variabili non \u00e8 lineare. Questo tutorial spiega come eseguire la regressione cubica in Python. Esempio: regressione cubica in Python Supponiamo di avere il seguente DataFrame panda […]<\/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 Esempio: regressione cubica 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![\"regressione](\"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 Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire la regressione quadratica in Python<\/a>
Come eseguire la regressione polinomiale in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"