怎么样预测企业利润？详解多元线性回归！

本文是机器学习100天学习计划的第三天，详细介绍了多元线性回归的原理和注意事项，并以预测企业利润为例进行实战演练。希望各位读者能耐心读下去。

何为多元线性回归？对比于前一天学习的线性回归，多元线性回归的特点是什么？

多元线性回归与简单线性回归一样，都是尝试通过使用一个方程式来适配数据，得出相应结果。不同的是，多元线性回归方程，适配的是两个及以上的特征（即X1、X2、...），而简单线性回归一般只有一个特征（X）。

另外，与简单线性回归相比，多元线性回归有一个显著的特点，即能拿到每个特征的权重，这样你能知道哪些因素对结果的影响最大。

多元线性回归特点和流程如下图所示：

请注意多元线性回归的以下4个前提：

1.线性：自变量和因变量的关系应该大致呈线性的。
2.呈现多元正态分布。
3.保持误差项的方差齐性（误差项方差必须等同）。
4.缺少多重共线性。

第一、二点比较好理解，第三、四点需要详细地讲一下：

第三点，保持误差项的方差齐性的意义: 首先，明确什么叫误差项？误差项也可以叫随机误差项，一般包括：

1)模型中省略的对被解释变量（Y）不重要的影响因素 (解释变量（X）)；
2)解释变量（X）和被解释变量（Y）的观测误差；
3)经济系统中无法控制、不易度量的随机因素。

再确定什么叫方差齐性：顾名思义，方差相等。与什么东西的方差呢？这里需要引入残差的概念：残差，即预测值和真实值之间的差值。而方差齐性，指的就是满足随机分布的残差，如下图所示：

如何判断数据是否满足方差齐性呢？精确的判断是很难做到的，我们可以通过上图绘制X值与残差的关系来大致估计，也可以用一个巧妙的方法：对残差做简单线性回归，如果得到的直线大致平行于X轴，则说明满足方差齐性。

这种观察自变量与残差之间是否存在线性关系（BP法）或非线性关系（White检验）是较为常用的两种方差齐性检验的方法。

第四点，缺少多重共线性的意义：根据回归分析的结果，一般而言我们能发现自变量X1、X2、... 等因素对Y的影响。但是存在一种情况：如果各个自变量x之间有很强的线性关系，就无法固定其他变量，也就找不到x和y之间真实的关系了，这就叫做多重共线性。

有多种方法可以检测多重共线性，较常使用的是回归分析中的VIF值（方差膨胀因子），VIF值越大，多重共线性越严重。VIF怎么计算？VIF=1/(1-R^2), 其中R^2是样本可决系数。样本可决系数怎么计算？答案是通过残差，这里有详细的计算方法：

一般认为VIF大于10时（严格是5），代表模型存在严重的共线性问题。

讲了这么多理论知识，大家可能觉得比较枯燥，但是实际上本文最难的也就是这些理论知识，希望大家能好好消化。下面正式开始实操部分。

0.准备

开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。

如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.

此外，推荐大家用VSCode编辑器，因为它有许多许多的优点：Python 编程的最好搭档—VSCode 详细指南。

准备输入命令安装依赖，如果你没有VSCode编辑器，Windows环境下打开 Cmd (开始-运行-CMD)，苹果系统环境下请打开 Terminal (command+空格输入Terminal)，如果你用的是VSCode编辑器或Pycharm，可以直接在下方的Terminal中输入命令：

pip install pandas
pip install numpy
pip install matplotlib
pip install scikit-learn

本篇文章使用的50_Startups.csv文件，由研发开销、管理开销、市场开销、州和利润五列数据组成。

本文源代码和数据文件，可以关注Python实用宝典公众号，后台回复：机器学习3 下载。

1.数据预处理

导入库

import pandas as pd
import numpy as np

导入数据集

最后一列利润为Y值，其他均为X值。

dataset = pd.read_csv('50_Startups.csv')
X = dataset.iloc[:, :-1].values
Y = dataset.iloc[:, 4].values

将类别数据数字化

将“州”这一列数字化。

from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder = LabelEncoder()
X[:, 3] = labelencoder.fit_transform(X[:, 3])
# 一共有3个州
onehotencoder = OneHotEncoder(categorical_features=[3])
X = onehotencoder.fit_transform(X).toarray()

躲避虚拟变量陷阱

原始数据如下：

在我们对“州”这列变量进行数字化后，会在前面出现三列one_hot变量，每一列代表一个州。

这就出现虚拟变量陷阱了，比如第一列我们能通过另外两列的值得到：如果2、3列为0，第1列肯定为1，如果2、3列存在不为0的值，则第1列肯定为1。

因此，这里第一列没有使用的必要。

X = X[: , 1:]

拆分数据集为训练集和测试集

from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = 0.2, random_state = 0)

第二步：训练模型

与简单线性回归一样，使用LinearRegression即可实现多元线性回归（sklearn已经帮你处理好多元的情况）。

from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(X_train, Y_train)

第三步：预测结果

一行搞定：

y_pred = regressor.predict(X_test)
print("real:", Y_test)
print("predict:", y_pred)

看看效果：

画个图看看对比效果：

map_index = list(range(len(Y_test)))
plt.scatter(map_index, Y_test, color='red')
plt.plot(map_index, y_pred, color='blue')
plt.show()

蓝色的线是预测值，红色的点是真实的值，可以看到预测效果还是不错的。本文源代码和数据文件，可以关注Python实用宝典公众号，后台回复：机器学习3 下载。

我们的文章到此就结束啦，如果你喜欢今天的Python 实战教程，请持续关注Python实用宝典。

有任何问题，可以在公众号后台回复：加群，回答相应红字验证信息，进入互助群询问。

原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！

点击下方阅读原文可获得更好的阅读体验

Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典