Python 我尝试多元回归

我似乎找不到任何做多元回归的python库。我发现的唯一的事情只是简单的回归。我需要将因变量（y）与几个自变量（x1、x2、x3等）进行回归

在我的代码中找不到错误：

#数据[‘利润’、‘高’、‘低’]=data.target
#ycenter=pd.DataFrame（np.c_[data['price'，data['HI']，data['LO']，columns=['price'，'HI'，'LO']））
#Xcenter=pd.DataFrame（np.c_[data['ROLL']、data['DICE']、data['FREE']、data['Stack']、data['MULT']、data['MULT']、columns=['ROLL'、'DICE'、'FREE'、'Stack'、'MULT']）
Xcenter=数据['ROLL'、'DICE'、'FREE'、'stack'、'MULT']
Ycenter=数据[‘利润’、‘高’、‘低’]
#分成70:30的口粮
X_列车中心、X_测试中心、y_列车中心、y_测试中心=列车测试分割（X中心、y中心、测试大小=0.3，随机状态=0）
#描述有关培训中心和测试中心集的信息
打印（“数字事务X_traincenter数据集：”，X_traincenter.shape）
打印（“数字事务y_traincenter数据集：”，y_traincenter.shape）
打印（“数字事务X_testcenter数据集：”，X_testcenter.shape）
打印（“数字事务y_testcenter数据集：”，y_testcenter.shape）
打印（“过采样前，正profitcenter的计数：{}”。格式（总和（y_traincenter>0）））
打印（“过采样前，负profitcenter的计数：{}\n”。格式（总和（y_traincenter<0）））
#初始化线性模型中心
regcenter=线性回归（）
#使用我们的培训数据中心培训模型
regcenter.fit（X_培训中心，y_培训中心）
#打印模型每个特征/列的系数/权重
打印（regcenter.coef#f（x，a）=mx+da+b=y
#在我们的测试数据中心打印预测
y_predcenter=regcenter.predict（X_testcenter）
打印（y_中心）
#打印中心的实际值
打印（y_测试中心）
#使用均方误差（MSE）检查模型性能/精度
打印（np.平均值（（y_predcenter-y_testcenter）**2））
#使用均方误差（MSE）和sklearn.metrics检查模型性能/准确性
打印（均方误差（y检验中心，y检验中心））
#使用RMSE和R-2指标对照实际值检查预测
test_setcenter_rmse=（np.sqrt（均方误差（y_testcenter，y_predcenter）））
打印（'test\u setcenter\u rmse='，test\u setcenter\u rmse）
测试设置中心=r2分数（y测试中心，y测试中心）
打印（'test\u setcenter\u r2='，test\u setcenter\u r2='）

我将如何在python中对这些进行回归，以获得线性回归公式：

Y(x3,x5) = a1x1 + a2x2 + a3x4 + a4x6 + a5x7 + a6x8 + +a7x9 + c

---

Python可以执行多元回归和多项式回归。

但如果您愿意，可以执行梯度下降-
梯度下降：

也可以用正态方程法进行多元回归-
正态方程：

但是，如果您不想为普通方程或梯度下降编写代码，只需使用python的sklearn库即可，它适用于单个功能和多个功能。

来自sklearn.model\u选择导入列车\u测试\u分割

从sklearn.linear\u模型导入线性回归

X\u序列，X\u测试，y\u序列，y\u测试=序列测试分割（X，y，测试大小=0.4，随机状态=1）

reg=linear\u model.LinearRegression（）

reg.fit（X\U系列、y\U系列）

reg.predict（X_检验）