主页 / 问题 / 1554581
Accepted
ANTON CHE
Asked:2023-12-05 02:25:32 +0000 UTC2023-12-05 02:25:32 +0000 UTC

如何使用线性回归方程通过单个X值同时计算多个Y值？

  • 772

我研究雪和冰，但这个问题可能不仅是地理学家感兴趣的。

有许多相同长度的时间序列，每个时间序列都指一个特定的地理坐标。例如，今年在i点之一测量并获得了积雪厚度。这些图表是这样的： 在此输入图像描述

如何使用线性回归方程计算其他点的积雪厚度并将结果值添加到表中的单独列中？我附上一个示例表https://docs.google.com/spreadsheets/d/1rWvAlrEt2Ij8eOYuDm0yV2mEFFrjl-OH/edit?usp=sharing&ouid=105326785031219603112&rtpof=true&sd=true。第一列数字用点的序列号替换地理坐标。

到目前为止，我已经成功绘制了一条直线图，描述了两个给定序列的依赖性以及 OLS 回归结果中的一些统计参数。不可能从那里导出系数 K（直线的斜率）（但是，我不能再进一步了。

示例代码如下：

'''

def abl_(x, y):
x = abl[x]
y = abl[y]
x_ = sm.add_constant(x)
model = sm.OLS(y,x_).fit()
print(model.params)
R = model.rsquared.round(2) ** 0.5
print('coefficient of determination, R^2:', model.rsquared.round(2))
print('coefficient of correlationn, R:', R.round(2))
print('value of intersection, b:', model.params.const.round(1))
print('coefficient K = ') # вывод этого параметра не получился
print('y = K * x +',  model.params.const.round(1))
ax = sns.regplot(x, y)
ax.set_title('coefficient of correlationn, R: ' + str(R.round(2)))
print('k-parametr:', model.params['x'])
abl_(3,8)

'''

2个随机点之间的直线到代码的图形如下： 在此输入图像描述

言下之意，我知道您需要创建一个函数，在其中放置点数和数量的新值。之后，经过一个循环，数据序列之间自动生成回归方程，代入一个值作为X，输出每个序列的Y。我的python技术还不够，希望大家帮忙。

анализ

1 个回答

  1. Best Answer

    这是代码示例以及结果。结果不是很好，但显然这就是数据。

    import pandas as pd
import seaborn as sns
from sklearn.linear_model import LassoCV
import matplotlib.pylab as plt
import warnings
warnings.filterwarnings("ignore")

K = 4
df = pd.read_csv('snow.csv')
df = df.set_index('N').T
df.columns = list(map(str, df.columns))
columns = list(df.columns)
for col in columns:
    for i in range(1, K+1):
        df[f'{col}-{i}'] = df[col].shift(i).bfill()

for col in columns:
    lr = LassoCV()
    X = df.drop(columns=[col])
    X_train = X.iloc[K:-1]
    X_test = X.iloc[-1:]
    y_train = df[col].iloc[K:-1]
    y_test = df[col].iloc[-1:].values[0]
    lr.fit(X_train, y_train)
    y_pred = lr.predict(X_train)
    y_pred = int(lr.predict(X_test)[0])
    plt.figure()
    sns.lineplot(df[col])
    plt.plot(df.index[-2:], [y_train[-1], y_pred], 'r--')
    plt.xticks(rotation=45)
    plt.title(f'{col}, разница {y_pred - y_test}')
    plt.ylabel('')

    输出图示例。在一些地方，预测得很好，而在另一些地方，则预测得非常遥远。红线是预测。蓝色 - 真实图表。

    在此输入图像描述

    在此输入图像描述

    在此输入图像描述

    在此输入图像描述

    在这种情况下，我通过以下方式预测了某个点的值：

    • 前四年此时的先前值
    • 基于当年和前4年其他点的值

    正好 4 年是根据经验计算的；越少的年数和越多的年数会给出更差的预测。

    通过替换代码中的一个变量，我们得到了另一种选择，它根本不考虑当年的任何点，只根据上一年的数据进行计算。他认为情况更糟，但也不是很严重。在某些地方甚至更好（例如第 1 点）。

    # X = df.drop(columns=[col])
X = df.drop(columns=[columns])

    该模型在相同点的图表进行比较：

    在此输入图像描述

    在此输入图像描述

    在此输入图像描述

    在此输入图像描述

    • 1

相关问题