python skearn LinearRegression 根据父子身高建立一元线性回归
每天进步一点点
案例：根据父子身高建立线性回归模型
分析要求：
1:根据表中的数据估计子辈身高依据父辈身高的线性回归模型，写出回归方程
并检验变量间线性关系是否显著（α=0.05）；
2:解释模型中回归系数的现实含义；
分析结果：
1:回归方程 y = 35.825+0.476x ；
2:回归系数0.476 表示父辈身高x对子辈身高y的影响为正，即父辈身高越高，则子辈身高也越高，这符合实际情况 ；
这里是excel 方法，根据父子身高建立一元线性回归
这里是spss 方法，根据父子身高建立线性回归模型
所用数据以及python代码请移步至“我的资源”进行下载，需要1c币哦
# 引入需要用到的库
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.linear_model import LinearRegression
# 读取本地文件后，构造x列表和y列表
x = data['父亲身高'].values.reshape(-1, 1)
y = data['儿子身高'].values.reshape(-1, 1)
# 构造回归对象
model = LinearRegression()
model.fit(x,y)
构造回归对象的结果：
LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None, normalize=False)
构造返回字典
#构造返回字典
predictions = {}
predictions['intercept'] = model.intercept_ #截距值，即常量35.82480315
predictions['coefficient'] = model.coef_ #斜率值，即回归系数0.47637795
绘制图像
# 绘制图像，图表标题，x，y轴标题等
# 绘制已知数据散点图
plt.scatter(x, y, color='blue')
# 绘制预测直线
plt.plot(x, predict_y, color='purple', linewidth=1.5)
最后结果：
