[Python知识库]线性回归分析----学院综测成绩能显示出什么信息？

• 有趣的故事，每年学院评奖的时候，都会有许许多多狗血的剧情。。
• 综测规则? 德育成绩*0.5+智育成绩+劳育成绩+体育成绩+美育成绩+特别奖励分数
  • 德育成绩满分 100 分
  • 智育成绩满分? 20? 分
  • 劳育成绩满分? 10? 分
  • 体育成绩满分? 10? 分
  • 美育成绩满分? 10? 分
  • 特别奖励分数? ?无上限
• 分析数据（Pandas）

import xlrd as xl
from bunch import *

Data1 = Bunch()
Data2 = Bunch()
Data3 = Bunch()

data1 = xl.open_workbook("1.xls")
data2 = xl.open_workbook("2.xls")
data3 = xl.open_workbook("3.xls")

work_sheet1 = data1.sheets()[0]
work_sheet2 = data2.sheets()[0]
work_sheet3 = data3.sheets()[0]

all_rows1 = work_sheet1.nrows
all_rows2 = work_sheet2.nrows
all_rows3 = work_sheet3.nrows

all_cols1 = work_sheet1.ncols
all_cols2 = work_sheet2.ncols
all_cols3 = work_sheet3.ncols

• 讲个有趣的事情，为什么我们不选用更高效的方法，而是建立这么多变量呢？
  • 解决方法一：建立一个线性列表
    • 劣势
      • 太笨，脑子记不住位置
  • 解决方法二：

    • list0,list1,list2,list3 = [],[],[],[]
      
      start = "list"
      for i in range(4):
          c = start + str(i)
          eval(c).append(1)
      
      print("list0",end="  ")
      print(list0)
      
      
      >>>list0  [1]

你看，这个eval()函数就很好。

• sklearn 模块
  • 话说，为什么要用sklearn模块呢？?好问题，难道你想从头搭建吗？博主数学不好。博主还很担心他的工程数学数值计算呢？笑死，复变函数都快挂了。。
  • 线性回归
    • 突然想起来应该介绍一下我们的数据，不然在操作的部分会有些看不懂，但是，不介绍并不特别重要。你可能需要带点想象，比如第一列是性别，第二列是学号，第三列是班级号啥的
  • Bunch 模块
    • 用它习惯了。机器学习中特别需要这个模块，用起来很方便，就像字典一样。

feature = []
for i in range(1,all_rows1):
    d = []
    for j in range(3,all_cols1-2):
        d.append(work_sheet1.cell_value(i,j))
    feature.append(d)
Data1["feature"] = feature

target = []
for i in range(1,all_rows1):
    target.append(work_sheet1.cell_value(i,all_cols1-2))
Data1["target"] = target

• ?LinearRegression模块
  • 以直线拟合（游戏规则说明了，变量之间是没有相互作用的。）

  • from sklearn.linear_model import LinearRegression
    regression = LinearRegression()
    model = regression.fit(Data1["feature"],Data1["target"])
    print("1 model.intercept_",end = "   ")
    print(model.intercept_)
    print("model.coef_",end="   ")
    print(model.coef_)

• 输出结果

  • 1 model.intercept_   -0.00040030675346258704
    model.coef_   [0.50008753 0.99928412 0.99998659 1.00022466 1.0001154 ]
    2 model.intercept_   1.3076787747084921
    model.coef_   [0.49392547 0.93628899 0.96930705 1.05106066 1.0070238 ]
    3 model.intercept_   -8.526512829121202e-14
    model.coef_   [0.5 1.  1.  1.  1. ]

• 简单的结果分析
  • 学院1和学院3无论是拟合系数还是在截距上都比较符合预期
  • 学院2似乎有点小奇怪，看上去获得特别奖励加分的人很多哦。要不然就是。。（阴谋论）
  • 好吧，我们下一步就是要找出那些不太合乎常理的数值
• 找出异常值
  • assert()语句 这个语句很有用，比如我们如果怀疑，这个偏差是因为漏缺数据导致的，那么可以先assert()一些确定的事情。这样就省的跑出一堆没用的数据还傻呵呵的。就像C语言一样，咋都能跑出点东西。乐死，根本不知道对不对。
  • 

  • assert(len(Data2["target"])==len(Data2["feature"])),"wrong!"
    S = []
    for i in range(1,all_rows2-2):
        try:
            sum = 0.5 * Data2["feature"][i][0]
        except:
            print(i)
        for j in range(1,len(Data2["feature"][i])):
            sum += Data2["feature"][i][j]
        S.append(sum)
    Q = []
    for i in range(len(S)):
        Q.append((S[i]-Data2["target"][i])/Data2["target"][i])
    Q = [abs(i) for i in Q]
    

  • ?结果输出
    • 我们只想分析前十个数据

    • Q = [abs(i) for i in Q]
      Q1 = [i for i in Q]
      for i in range(10):
          t = Q.index(max(Q1))
          print(t,end="  ")
          print(max(Q1))
          Q1.remove(max(Q1))
      
      >>>
      >>>
      7  0.10667617011166551
      44  0.04207573632538569
      70  0.03807947019867545
      69  0.027375201288244812
      65  0.026153846153846198
      71  0.018932874354561126
      58  0.017569546120058607
      72  0.017543859649122806
      14  0.017052375152253246
      30  0.01686121919584951
      

• 除了线性回归，难度就没有其他的回归方法吗？
  • 当然有，我们可以用随机森林回归???

from sklearn.ensemble import RandomForestRegressor
features = Data1["feature"]
targets = Data1["target"]
randomforest = RandomForestRegressor(random_state=0)
model = randomforest.fit(features,targets)

?这个误差显然有一点点大的。。

>>>model.predict([[90,10,10,10,10],[80,20,10,10,10],[95,10,10,10,10],[90,15,5,10,10],[85,20,10,0,10],[100,10,10,10,10]])

>>>array([82.746 , 80.1668, 86.5164, 82.6754, 73.749 , 88.352 ])

好了，我们的分析将继续。

那我们能不能让随机森林干点更有用的事情呢？

比如，我们按同学的分数打等第。

from sklearn.ensemble import RandomForestClassifier
Data1["target"] = [2*(i>=90)+1*((i<90)&(i>80))+0 for i in Data1["target"]]
randomforest = RandomForestClassifier(random_state=0)
model = randomforest.fit(Data1["feature"],Data1["target"]

程序的第二行，是一个很有用的编程小技巧。值得记录

>>>model.predict([[100,20,10,10,10],[90,10,10,10,10],[80,20,10,10,10],[100,0,10,10,10]])
>>>array([2, 1, 0, 1])

嗯，效果还是不尽人意

为什么呢？

• 原因分析
  • 这与我们没有做数据标准化有关，大家的德育分数都很高，在这样的情况下，如果一个人的德育成绩偏低，很可能发生错误归类。数据标准化不能完全避免这种结果，但一定程度上能削弱这种误差，但也有反例。
  • 这与随机森林的原理关系很大。
    • 随机森林强调分类，不注重机理，变量之间的关系并不是它考虑的
    • 因此，在很多建模比赛中，线性回归往往是值得关注的。
• 全篇完