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
Pthon批量处理将pdb文件生成dssp文件
Jun 21 Python
python多线程方式执行多个bat代码
Jun 07 Python
Python实现利用最大公约数求三个正整数的最小公倍数示例
Sep 30 Python
Python中join函数简单代码示例
Jan 09 Python
简单的python协同过滤程序实例代码
Jan 31 Python
pandas.DataFrame选取/排除特定行的方法
Jul 03 Python
对python_discover方法遍历所有执行的用例详解
Feb 13 Python
对Python函数设计规范详解
Jul 19 Python
在python中使用nohup命令说明
Apr 16 Python
python使用hdfs3模块对hdfs进行操作详解
Jun 06 Python
Pycharm的Available Packages为空的解决方法
Sep 18 Python
PyTorch预训练Bert模型的示例
Nov 17 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解析json数据实例
2014/08/19 PHP
WordPress中重置文章循环的rewind_posts()函数讲解
2016/01/11 PHP
ThinkPHP5.0框架实现切换数据库的方法分析
2019/10/30 PHP
javascript打开新窗口同时关闭旧窗口
2009/01/16 Javascript
关于Jqzoom的使用心得 jquery放大镜效果插件
2010/04/12 Javascript
jquery+ajax每秒向后台发送请求数据然后返回页面的代码
2011/01/17 Javascript
javascript eval(func())使用示例
2013/12/05 Javascript
jQuery获得内容和属性示例代码
2014/01/16 Javascript
jQuery的观察者模式详解
2014/12/22 Javascript
JS+CSS实现实用的单击输入框弹出选择框的方法
2015/02/28 Javascript
详解JavaScript的回调函数
2015/11/20 Javascript
举例讲解jQuery中可见性过滤选择器的使用
2016/04/18 Javascript
jQuery插件 Jqplot图表实例
2016/06/18 Javascript
Javascript 调用 ActionScript 的简单方法
2016/09/22 Javascript
js滚轮事件兼容性问题需要注意哪些
2016/11/15 Javascript
原生js实现手风琴功能(支持横纵向调用)
2017/01/13 Javascript
layui分页效果实现代码
2017/05/19 Javascript
微信小程序 如何保持登录状态
2019/08/16 Javascript
微信小程序 this.triggerEvent()的具体使用
2019/12/10 Javascript
python魔法方法-属性访问控制详解
2016/07/25 Python
Python 两个列表的差集、并集和交集实现代码
2016/09/21 Python
Python文件的读写和异常代码示例
2017/10/31 Python
使用Python的turtle模块画图的方法
2017/11/15 Python
Python 通过微信控制实现app定位发送到个人服务器再转发微信服务器接收位置信息
2019/08/05 Python
python 实现多线程下载m3u8格式视频并使用fmmpeg合并
2019/11/15 Python
Python Django搭建网站流程图解
2020/06/13 Python
实例讲解CSS3中Transform的perspective属性的用法
2016/04/22 HTML / CSS
英国鞋类及配饰零售商:Kurt Geiger
2017/02/04 全球购物
Shopty西班牙:缝纫机在线销售
2018/01/26 全球购物
英国游戏机和游戏购物网站:365games.co.uk
2018/06/18 全球购物
环保建议书作文
2014/03/12 职场文书
投资意向书范本
2014/04/01 职场文书
小学教师先进事迹材料
2014/12/15 职场文书
交流会主持词
2015/07/02 职场文书
JS创建或填充任意长度数组的小技巧汇总
2021/10/24 Javascript
Nginx性能优化之Gzip压缩设置详解(最大程度提高页面打开速度)
2022/02/12 Servers