この記事ではpythonを使って回帰分析する際のコードをまとめていく。いくつか方法がありそうなので、ライブラリごとに書いていければと思う。
今回はscipy.optimize.minimize編。
curve_fitに比べるとやってることは変わらないし、手間が増えるだけなのだけれど、ある関数の最小化をするとういのは汎用性が高そうなので、一応メモ代わりに残しておく。
%matplotlib notebook import numpy as np import matplotlib.pyplot as plt import seaborn as sns #データを作成 x = np.array([1, 2, 3, 4, 5]) y = np.array([2, 6, 6, 9, 6]) #近似する関数を定義 def func1(X, a, b): # １次式近似 Y = a + b * X return Y #平均二乗誤差を計算する関数 def func_rmse(param, x, y): residual = y - func1(x,*param) rmse = np.sqrt((( residual ** 2).sum()) / len(x)) return rmse #scipy.optimize.minimize import scipy.optimize as optimize init_para = [0, 0] #最適化されるパラメータの初期値（ここでは[a, b] mi_rmse = optimize.minimize(func_rmse, init_para, args=(x, y)) #func_rmseを最小化するparamを求める) #結果 print("回帰係数(b)=", mi_rmse.x[1]) print("切片(a)：",mi_rmse.x[0]) #予想値 x_ex = np.arange(-1, 7, 0.1) y_ex = mi_rmse.x[1] * x_ex + mi_rmse.x[0] #プロット sns.set_style("whitegrid", {'grid.linestyle':'--'}) plt.rcParams["font.family"] = 'meiryo' fig1 = plt.figure(figsize=(3,3), facecolor='w') ax1 = fig1.add_subplot(111) ax1.set_xlim(-1, 7) ax1.set_ylim(-2, 10) ax1.set_xlabel("X",fontsize=10,fontname='meiryo') ax1.set_ylabel("Y",fontsize=10,fontname='meiryo') ax1.scatter(x, y, marker="o",alpha=1,edgecolors="#08699E",facecolor="#08699E", s=40) #実データ ax1.plot(x_ex, y_ex ,'r--',color="#000000") #回帰の予想値
出力はこんな感じ。
回帰係数(b)= 1.1000007555247273 切片(a)： 2.4999974039619537
予想値を出したいときは、func1を使って計算すればよい。
y_pred = func1(x, *mi_rmse.x) ax1.scatter(x, y_pred, marker="o",alpha=1,edgecolors="#08699E",facecolor="#08699E", s=40) #回帰の予想値 ax1.plot(x_ex, y_ex ,'r--',color="#000000") #回帰の直線
参考
minimizeの使い方：scipyで任意の目的関数を最小化する - Qiita
