练习 - 使用 Numpy 执行线性回归

5 分钟

散点图便于直观呈现数据，而现在假设你想要在散点图上叠加趋势线，显示数据随时间变化而呈现的趋势。计算此类趋势线的一种方法是线性回归。在本练习中，你将使用 NumPy 执行线性回归，使用 Matplotlib 根据数据绘制趋势线。

将光标放在笔记本底部的空白单元格中。将单元格类型更改为 Markdown 并输入文本“执行线性回归”。

添加 Code 单元格并将以下代码粘贴到其中。花点儿时间阅读注释（以 # 符号开头的数行文字），了解代码的作用。

# Creates a linear regression from the data points
m,b = np.polyfit(yearsBase, meanBase, 1)

# This is a simple y = mx + b line function
def f(x):
    return m*x + b

# This generates the same scatter plot as before, but adds a line plot using the function above
plt.scatter(yearsBase, meanBase)
plt.plot(yearsBase, f(yearsBase))
plt.title('scatter plot of mean temp difference vs year')
plt.xlabel('years', fontsize=12)
plt.ylabel('mean temp difference', fontsize=12)
plt.show()

# Prints text to the screen showing the computed values of m and b
print(' y = {0} * x + {1}'.format(m, b))
plt.show()

现在运行单元格以显示带回归线的散点图。

带回归线的散点图

从回归线可以看到 30 年平均温度和 5 年平均温度之间随着时间不断增加。生成回归线所需的大部分计算工作都是由 NumPy 的 polyfit 函数完成的，该函数计算等式 y = mx + b 中 m 和 b 的值。

练习 - 使用 Numpy 执行线性回归

反馈