python 逐步回归算法


Posted in Python onApril 06, 2021

算法介绍

逐步回归是一种线性回归模型自变量选择方法;
逐步回归的基本思想是将变量逐个引入模型,每引入一个解释变量后都要进行F检验,并对已经选入的解释变量逐个进行t检验,当原来引入的解释变量由于后面解释变量的引入变得不再显著时,则将其删除。以确保每次引入新的变量之前回归方程中只包含显著性变量。这是一个反复的过程,直到既没有显著的解释变量选入回归方程,也没有不显著的解释变量从回归方程中剔除为止。以保证最后所得到的解释变量集是最优的。
这里我们选择赤池信息量(Akaike Information Criterion)来作为自变量选择的准则,赤池信息量(AIC)达到最小:基于最大似然估计原理的模型选择准则。

数据情况

案例

在现实生活中,影响一个地区居民消费的因素有很多,例如一个地区的人均生产总值、收入水平等等,本案例选取了9个解释变量研究城镇居民家庭平均每人全年的消费新支出y,解释变量为:
x1——居民的食品花费
x2——居民的衣着消费
x3——居民的居住花费
x4——居民的医疗保健花费
x5——居民的文教娱乐花费
x6——地区的职工平均工资
x7——地区的人均GDP
x8——地区的消费价格指数
x9——地区的失业率(%)

数据

python 逐步回归算法

代码

# -*- coding: UTF-8 -*-

import numpy as np
import statsmodels.api as sm
import statsmodels.formula.api as smf
from statsmodels.stats.api import anova_lm
import matplotlib.pyplot as plt
import pandas as pd
from patsy import dmatrices
import itertools as it
import random


# Load data 读取数据
df = pd.read_csv('data3.1.csv',encoding='gbk')
print(df)


target = 'y'
variate = set(df.columns) #获取列名
variate.remove(target) #去除无关列
variate.remove('地区')

#定义多个数组,用来分别用来添加变量,删除变量
x = []
variate_add = []
variate_del = variate.copy()
# print(variate_del)
y = random.sample(variate,3) #随机生成一个选模型,3为变量的个数
print(y)
#将随机生成的三个变量分别输入到 添加变量和删除变量的数组
for i in y:
 variate_add.append(i)
 x.append(i)
 variate_del.remove(i)

global aic #设置全局变量 这里选择AIC值作为指标
formula="{}~{}".format("y","+".join(variate_add)) #将自变量名连接起来
aic=smf.ols(formula=formula,data=df).fit().aic #获取随机函数的AIC值,与后面的进行对比
print("随机化选模型为:{}~{},对应的AIC值为:{}".format("y","+".join(variate_add), aic))
print("\n")



#添加变量
def forwark():
 score_add = []
 global best_add_score
 global best_add_c
 print("添加变量")
 for c in variate_del:
  formula = "{}~{}".format("y", "+".join(variate_add+[c]))
  score = smf.ols(formula = formula, data = df).fit().aic
  score_add.append((score, c)) #将添加的变量,以及新的AIC值一起存储在数组中
  
  print('自变量为{},对应的AIC值为:{}'.format("+".join(variate_add+[c]), score))

 score_add.sort(reverse=True) #对数组内的数据进行排序,选择出AIC值最小的
 best_add_score, best_add_c = score_add.pop()
 
 print("最小AIC值为:{}".format(best_add_score))
 print("\n")

#删除变量
def back():
 score_del = []
 global best_del_score
 global best_del_c
 print("剔除变量")
 for i in x:

  select = x.copy() #copy一个集合,避免重复修改到原集合
  select.remove(i)
  formula = "{}~{}".format("y","+".join(select))
  score = smf.ols(formula = formula, data = df).fit().aic
  print('自变量为{},对应的AIC值为:{}'.format("+".join(select), score))
  score_del.append((score, i))

 score_del.sort(reverse=True) #排序,方便将最小值输出
 best_del_score, best_del_c = score_del.pop() #将最小的AIC值以及对应剔除的变量分别赋值
 print("最小AIC值为:{}".format(best_del_score))
 print("\n")

print("剩余变量为:{}".format(variate_del))
forwark()
back()

while variate:
  
#  forwark()
#  back()
 if(aic < best_add_score < best_del_score or aic < best_del_score < best_add_score):
  print("当前回归方程为最优回归方程,为{}~{},AIC值为:{}".format("y","+".join(variate_add), aic))
  break
 elif(best_add_score < best_del_score < aic or best_add_score < aic < best_del_score):
  print("目前最小的aic值为{}".format(best_add_score))
  print('选择自变量:{}'.format("+".join(variate_add + [best_add_c]))) 
  print('\n')
  variate_del.remove(best_add_c)
  variate_add.append(best_add_c)
  print("剩余变量为:{}".format(variate_del))
  aic = best_add_score
  forwark()
 else:
  print('当前最小AIC值为:{}'.format(best_del_score))
  print('需要剔除的变量为:{}'.format(best_del_c))
  aic = best_del_score #将AIC值较小的选模型AIC值赋给aic再接着下一轮的对比
  x.remove(best_del_c) #在原集合上剔除选模型所对应剔除的变量
  back()

结果

python 逐步回归算法

python 逐步回归算法

python 逐步回归算法

以上就是如何用python 做逐步回归的详细内容,更多关于python 逐步回归的资料请关注三水点靠木其它相关文章!

Python 相关文章推荐
python实现分页效果
Oct 25 Python
Flask框架配置与调试操作示例
Jul 23 Python
对python csv模块配置分隔符和引用符详解
Dec 12 Python
pyspark操作MongoDB的方法步骤
Jan 04 Python
浅谈python常用程序算法
Mar 22 Python
python实战串口助手_解决8串口多个发送的问题
Jun 12 Python
PyQtGraph在pyqt中的应用及安装过程
Aug 04 Python
Python 3.8正式发布重要新功能一览
Oct 17 Python
Python argparse模块应用实例解析
Nov 15 Python
python装饰器使用实例详解
Dec 14 Python
Python局部变量与全局变量区别原理解析
Jul 14 Python
python利用opencv保存、播放视频
Nov 02 Python
python 通过使用Yolact训练数据集
python生成随机数、随机字符、随机字符串
Apr 06 #Python
Django项目配置Memcached和Redis, 缓存选择哪个更有优势
Apr 06 #Python
PySwarms(Python粒子群优化工具包)的使用:GlobalBestPSO例子解析
python实现批量提取指定文件夹下同类型文件
Apr 05 #Python
python实现ROA算子边缘检测算法
python实现批量移动文件
You might like
php 数组使用详解 推荐
2011/06/02 PHP
php文件操作之小型留言本实例
2015/06/20 PHP
php arsort 数组降序排序详细介绍
2016/11/17 PHP
php PDO异常处理详解
2016/11/20 PHP
如何在PHP中使用数组
2020/06/09 PHP
Javascript &amp; DHTML 实例编程(教程)DOM基础和基本API
2007/06/02 Javascript
一些实用的jQuery代码片段收集
2011/07/12 Javascript
js函数的引用, 关于内存的开销
2012/09/17 Javascript
js编写trim()函数及正则表达式的运用
2013/10/24 Javascript
关于Javascript作用域链的八点总结
2013/12/06 Javascript
排序算法的javascript实现与讲解(99js手记)
2014/09/28 Javascript
js中this的用法实例分析
2015/01/10 Javascript
js简单设置与使用cookie的方法
2016/01/22 Javascript
基于jQuery实现的无刷新表格分页实例
2016/02/17 Javascript
React如何将组件渲染到指定DOM节点详解
2017/09/08 Javascript
利用JavaScript的Map提升性能的方法详解
2019/08/14 Javascript
浅析Vue 中的 render 函数
2020/02/28 Javascript
[00:57]深扒TI7聊天轮盘语音出处5
2017/05/11 DOTA
pyqt4教程之实现半透明的天气预报界面示例
2014/03/02 Python
使用Python中的cookielib模拟登录网站
2015/04/09 Python
Python爬虫爬取美剧网站的实现代码
2016/09/03 Python
Sanic框架蓝图用法实例分析
2018/07/17 Python
在python中实现对list求和及求积
2018/11/14 Python
对python 中re.sub,replace(),strip()的区别详解
2019/07/22 Python
解决python调用自己文件函数/执行函数找不到包问题
2020/06/01 Python
python中四舍五入的正确打开方式
2021/01/18 Python
css3 iphone玻璃透明气泡完美实现
2013/03/20 HTML / CSS
荷兰网上鞋店:Ziengs.nl
2017/01/02 全球购物
周仰杰(JIMMY CHOO)英国官方网站:闻名世界的鞋子品牌
2018/10/28 全球购物
GE设备配件:GE Appliance Parts(家电零件、配件和滤水器)
2018/11/28 全球购物
ManoMano英国:欧洲第一家专注于DIY和园艺市场的电商平台
2020/03/12 全球购物
高校毕业生登记表自我鉴定
2013/11/03 职场文书
我的理想演讲稿
2014/04/30 职场文书
保护环境倡议书500字
2014/05/19 职场文书
如何在CSS中绘制曲线图形及展示动画
2021/05/24 HTML / CSS
关于ObjectUtils.isEmpty() 和 null 的区别
2022/02/28 Java/Android