Как предсказать ценность? - PullRequest
Новая
       73

Как предсказать ценность?

1 голос
/ 26 сентября 2019

Я построил график рассеяния с линейной регрессией для относительной влажности за несколько дней.Данное число дней составило 244. Теперь я должен предсказать значение относительной влажности для дня 245.

-> это значение выборки набора данных.

индекс RH

0 78.80

1 80.80

2 78.60

3 76.10

4 73.85

5 71.40 

x=linear.index
y=linear["RH"]
plt.title('Air Temperature vs. Relative Humidity')
plt.title(' Relative Humidity over Days')
plt.ylabel('Relative Humidity')
plt.xlabel('Days')

fit = np.polyfit(x,y,1)
fit_fn = np.poly1d(fit)
reg= plt.plot(x,y, 'yo', x, fit_fn(x), '--k')
reg

теперь, чтобы найти значение прогнозирования 

from sklearn.linear_model import LinearRegression

regr = LinearRegression()
regr.fit(linear[["RH"]],linear.index)
regr.predict(linear[245])

Ошибки, которые я получаю, обычно относятся к «объекту списка», который не имеет атрибута «прогнозировать», поскольку яЯ уже пробовал несколько разных методов и кодов, но ни один из них не помог.

1 Ответ

1 голос
/ 26 сентября 2019

Вот графический установщик полинома Python, использующий numpy.polyfit () для подгонки и numpy.polyval () для оценки, и этот пример содержит одно значение.Порядок полиномов устанавливается в верхней части кода, для прямой может быть установлено значение «1».

plot

import numpy, matplotlib
import matplotlib.pyplot as plt

xData = numpy.array([1.1, 2.2, 3.3, 4.4, 5.0, 6.6, 7.7, 0.0])
yData = numpy.array([1.1, 20.2, 30.3, 40.4, 50.0, 60.6, 70.7, 0.1])


polynomialOrder = 2 # example quadratic equation


# curve fit the test data
fittedParameters = numpy.polyfit(xData, yData, polynomialOrder)
print('Fitted Parameters:', fittedParameters)

# predict a single value
print('Single value prediction:', numpy.polyval(fittedParameters, 3.0))

# Use polyval to find model predictions
modelPredictions = numpy.polyval(fittedParameters, xData)
absError = modelPredictions - yData

SE = numpy.square(absError) # squared errors
MSE = numpy.mean(SE) # mean squared errors
RMSE = numpy.sqrt(MSE) # Root Mean Squared Error, RMSE
Rsquared = 1.0 - (numpy.var(absError) / numpy.var(yData))
print('RMSE:', RMSE)
print('R-squared:', Rsquared)

print()


##########################################################
# graphics output section
def ModelAndScatterPlot(graphWidth, graphHeight):
    f = plt.figure(figsize=(graphWidth/100.0, graphHeight/100.0), dpi=100)
    axes = f.add_subplot(111)

    # first the raw data as a scatter plot
    axes.plot(xData, yData,  'D')

    # create data for the fitted equation plot
    xModel = numpy.linspace(min(xData), max(xData))
    yModel = numpy.polyval(fittedParameters, xModel)

    # now the model as a line plot
    axes.plot(xModel, yModel)

    axes.set_title('numpy.polyval example') # add a title
    axes.set_xlabel('X Data') # X axis data label
    axes.set_ylabel('Y Data') # Y axis data label

    plt.show()
    plt.close('all') # clean up after using pyplot

graphWidth = 800
graphHeight = 600
ModelAndScatterPlot(graphWidth, graphHeight)
...