多元线性回归模型预测销售额

多元线性回归

多元线性回归是线性回归的一种扩展形式，它涉及多个自变量（特征）与一个因变量之间的关系。多元线性回归模型的数学表示如下：

各个参数的解释：

案例

advertising.csv文件是某商品的广告推广费用（单位为元）和销售额数据（单位为千元），其中每行代表每一周
的广告推广费用（包含淘宝、抖音和小红书三种广告费用）和销售额。 若在未来的某两周，将各种广告投放金额
按如下分配， 请预测对应的商品销售额：
（1）淘宝： 200，抖音：100，小红书： 150
（2）淘宝： 300，抖音：150，小红书： 200

advertising.csv概览：

模型建立

y = $a{x}_1+b{x}_2+c{x}_3+d{x}_4+A$

其中 y 是预期销售额，x1~x4是对应推广费用，b是误差项

代码实现

我们可以使用 LinearRegression 创建模型，
使用 mean_squared_error 模块，计算计算均方误差回归损失，从而评估模型
最终带入我们要预测的那几个数字，对销量进行预估

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 读取包含所有四种数据的 CSV 文件
all_data = pd.read_csv('advertising.csv')

# 划分数据集
X = all_data[['taobao','tiktok','little red book']]
print(X)
y = all_data['sales']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 选择线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 评估模型
y_pred_train = model.predict(X_train)
mse_train = mean_squared_error(y_train, y_pred_train)
print(f'Mean Squared Error on Training Data: {
      
      mse_train}')

# 进行预测
X_new = pd.DataFrame({
    
    'taobao': [200], 'tiktok': [100], 'little red book': [150]})
y_pred_new = model.predict(X_new)
print(f'Predicted Output for New Input: {
      
      y_pred_new[0]}')

X_new = pd.DataFrame({
    
    'taobao': [300], 'tiktok': [150], 'little red book': [200]})
y_pred_new = model.predict(X_new)
print(f'Predicted Output for New Input: {
      
      y_pred_new[0]}')

结果

项目源地址：

https://gitee.com/yishangyishang/homeword.git