人为地增加一个值并观察对另一个值的影响- Python
Artificially increase one value and observe affects on another- Python
我有两列,我想在其中人为地将 A 列的值增加到 1000,以查看 B 列中的值会发生什么变化。
数据
A B
500 20
200 10
100 5
需要
A B
500 20
200 10
100 5
1000 ?
我希望人为地将 A 列的值增加到 1000,以查看 B 列中的值会发生什么变化。
正在做
使用 python 我将测试相关性。
将其视为线性回归问题。
pyplot.scatter(x = ‘A’, y = ‘B’, s= 100)
pyplot.show()
然后我想我可以使用线性回归来确定如果我增加 A 的相关值,B 的值是多少。只是不确定如何输入假设 A 值。
import numpy as np
from sklearn.linear_model import LinearRegression
x = np.array([500,200,100]).reshape((-1, 1))
y = np.array([20,10,5])
欢迎任何建议
您首先需要创建并拟合一个模型,然后才能使用它进行预测。
import numpy as np
from sklearn.linear_model import LinearRegression
x = np.array([500,200,100])
y = np.array([20,10,5])
reg = LinearRegression().fit(x, y)
reg.predict(np.array([1000]))
图表可能会有所帮助。在这种情况下,没有严格的线性关系,但我们正在做出最佳猜测。有点像电脑画一条最合适的线。
此处,最佳拟合线的方程为 Y = 0.03654*X + 1.923
。进行预测只是将另一个 X 值代入此公式以找到相应的 Y 坐标。
我有两列,我想在其中人为地将 A 列的值增加到 1000,以查看 B 列中的值会发生什么变化。
数据
A B
500 20
200 10
100 5
需要
A B
500 20
200 10
100 5
1000 ?
我希望人为地将 A 列的值增加到 1000,以查看 B 列中的值会发生什么变化。
正在做
使用 python 我将测试相关性。 将其视为线性回归问题。
pyplot.scatter(x = ‘A’, y = ‘B’, s= 100)
pyplot.show()
然后我想我可以使用线性回归来确定如果我增加 A 的相关值,B 的值是多少。只是不确定如何输入假设 A 值。
import numpy as np
from sklearn.linear_model import LinearRegression
x = np.array([500,200,100]).reshape((-1, 1))
y = np.array([20,10,5])
欢迎任何建议
您首先需要创建并拟合一个模型,然后才能使用它进行预测。
import numpy as np
from sklearn.linear_model import LinearRegression
x = np.array([500,200,100])
y = np.array([20,10,5])
reg = LinearRegression().fit(x, y)
reg.predict(np.array([1000]))
图表可能会有所帮助。在这种情况下,没有严格的线性关系,但我们正在做出最佳猜测。有点像电脑画一条最合适的线。
此处,最佳拟合线的方程为 Y = 0.03654*X + 1.923
。进行预测只是将另一个 X 值代入此公式以找到相应的 Y 坐标。