CASI 1.1 一个回归的例子

  考虑一个肾功能相关的研究，数据点（xi, yi）取自n=157个健康的志愿者，xi表示第i个志愿者的年龄（age，以年为单位），yi是一个综合的测量值“tot”。由散点图可以看出肾功能随着年龄的增大是普遍下降的，这个下降的速率对于肾移植来说则是一个比较重要的问题。

  书中通过最小二乘法用线性模型拟合了数据点，下面我用python来写一下书中的最小二乘和画图的过程，点此下载数据 。

import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model

kidney = np.loadtxt('D:/CASI/data/kidney.txt',delimiter=' ',skiprows=1)

model = linear_model.LinearRegression()
model.fit(X=kidney[:,0].reshape(-1,1), y=kidney[:,1].reshape(-1,1))
y_plot = model.predict(kidney[:,0].reshape(-1,1))

plt.rc('font', size=6)
plt.rc('figure', figsize=(4,3), dpi=200)

plt.scatter(x=kidney[:,0], y=kidney[:,1],s=6,marker='*',alpha=0.6)  # 画出散点图
plt.plot(kidney[:,0], y_plot, color='green')  # 画出拟合直线
plt.xlabel('age')
plt.ylabel('tot')
plt.show()

Figure_1.jpeg