線形回帰

線形単回帰とは予測したいデータと予測に使用するデータが一つづつとなる回帰分析
データ同士の関連性を示す

予測したいデータをyとすると予測用データをxとすると
y = ax + b

の関係性を仮定しaとbを最小二乗法という方法で分析

yの値と推定するy=ax+bの差の二乗の総和が最小となるaとbを算出

この手法はscikit-learnのlinear_modelモジュールの
LinearRegressionを使用して回帰分析を行う

■線形回帰

from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split

# データ生成
X, y = make_regression(n_samples=100, n_features=1, n_targets=1, noise=5.0, random_state=42)
train_X, test_X, train_y, test_y = train_test_split(X, y, random_state=42)



# 線形回帰モデル構築
model = LinearRegression()
# 学習
model.fit(train_X, train_y)
# 係数の出力
print(model.score(test_X, test_y))

from sklearn.linear_model import LinearRegression

from sklearn.datasets import make_regression

from sklearn.model_selection import train_test_split

# データ生成

X, y = make_regression(n_samples=100, n_features=1, n_targets=1, noise=5.0, random_state=42)

train_X, test_X, train_y, test_y = train_test_split(X, y, random_state=42)

# 線形回帰モデル構築

model = LinearRegression()

# 学習

model.fit(train_X, train_y)

# 係数の出力

print(model.score(test_X, test_y))

■リッジ回帰

# リッジ回帰モデル
model = Ridge()
model.fit(train_X, train_y)
# test_X, test_yに対する決定係数を出力してください
print("リッジ回帰:{}".format(model.score(test_X, test_y)))

# リッジ回帰モデル

model = Ridge()

model.fit(train_X, train_y)

# test_X, test_yに対する決定係数を出力してください

print("リッジ回帰:{}".format(model.score(test_X, test_y)))

■ラッソ回帰

# ラッソ回帰モデル（データ生成は線形回帰を参照）
model = Lasso()
model.fit(train_X, train_y)
# test_X, test_yに対する決定係数を出力してください
print("ラッソ回帰:{}".format(model.score(test_X, test_y)))

# ラッソ回帰モデル（データ生成は線形回帰を参照）

model = Lasso()

model.fit(train_X, train_y)

# test_X, test_yに対する決定係数を出力してください

print("ラッソ回帰:{}".format(model.score(test_X, test_y)))