c# 模拟线性回归的示例

最近刚开始接触机器学习,在这里使用c#模拟一元线性回归,先上图看效果

因为源码中有一些控件是自己封装的,所以就不上传可运行的程序集了,贴出核心代码,以供参考,如有不对,请多多给予建议

private void ryButtonX1_Click(object sender, EventArgs e)
    {
      string[] xnum = richTextBox1.Text.Trim().Split(',');//x值
      string[] ynum = richTextBox2.Text.Trim().Split(',');//y值
      if (xnum.Length != ynum.Length)
      {
        MessageBox.Show("输入数据有误!");
        return;
      }
      ryTextBoxX1.Text = xnum.Length+"";//个数
      decimal xsum = 0;//x值求和
      decimal ysum = 0;//y值求和
      for(int i = 0; i < xnum.Length; i++)
      {
        xsum = xsum + ConvertExtend.ToDecimal(xnum[i],0);
        ysum = ysum + ConvertExtend.ToDecimal(ynum[i], 0);
      }
      decimal xAve = ConvertExtend.ToDecimal(xsum / xnum.Length, 0);//x平均值
      decimal yAve = ConvertExtend.ToDecimal(ysum / xnum.Length, 0);//y平均值

      ryTextBoxX3.Text = string.Format("{0:N}", xAve);//保留两位小数
      ryTextBoxX4.Text = string.Format("{0:N}", yAve);

      decimal molecule = 0;//分子
      decimal Denominator = 0;//分母
      for (int i = 0; i < xnum.Length; i++)
      {
        molecule = molecule + (ConvertExtend.ToDecimal(xnum[i], 0) - xAve) * (ConvertExtend.ToDecimal(ynum[i], 0) - yAve);
        Denominator = Denominator+(ConvertExtend.ToDecimal(xnum[i], 0) - xAve) * (ConvertExtend.ToDecimal(xnum[i], 0) - xAve);
      }
      ryTextBoxX2.Text = string.Format("{0:N}", molecule / Denominator);//斜率
      ryTextBoxX5.Text = (yAve - (molecule / Denominator) * xAve)+"";//截距

      if (ConvertExtend.ToDecimal(ryTextBoxX5.Text, 0) < 0)
      {
        ryTextBoxX6.Text = ryTextBoxX2.Text + "X" + ryTextBoxX5.Text;
      }else
      {
        ryTextBoxX6.Text = ryTextBoxX2.Text + "X+" + ryTextBoxX5.Text;
      }

      #region 画点
      chartLabTrend.ChartAreas[0].AxisX.CustomLabels.Clear();
      List<decimal?> lx = new List<decimal?>();
      List<decimal?> l1 = new List<decimal?>();
      for (int i = 1; i <= xnum.Length; i++)
      {
        CustomLabel label1 = new CustomLabel();
        if (xnum[i - 1] != "")
        {
          label1.Text = ConvertExtend.ToDecimal(xnum[i - 1],0).ToString();
          label1.ToPosition = i * 2;
          chartLabTrend.ChartAreas[0].AxisX.CustomLabels.Add(label1);
          label1.GridTicks = GridTickTypes.Gridline;
          lx.Add(i);
          if (ynum[i - 1] == null)
          {
            l1.Add(null);
          }
          else
          {
            l1.Add(ConvertExtend.ToDecimal(ynum[i - 1],0));
          }
        }
      }
      chartLabTrend.Series[0].Points.DataBindXY(lx, l1);
      #endregion

      #region 画线
      chartLabTrend.ChartAreas[0].AxisX.CustomLabels.Clear();
      List<decimal?> lx1 = new List<decimal?>();
      List<decimal?> l11 = new List<decimal?>();
      for (int i = 1; i <= xnum.Length; i++)
      {
        CustomLabel label2 = new CustomLabel();
        if (xnum[i - 1] != "")
        {
          label2.Text = ConvertExtend.ToDecimal(xnum[i - 1], 0).ToString();
          label2.ToPosition = i * 2;
          chartLabTrend.ChartAreas[0].AxisX.CustomLabels.Add(label2);
          label2.GridTicks = GridTickTypes.Gridline;
          lx1.Add(i);
          if (ynum[i - 1] == null)
          {
            l11.Add(null);
          }
          else
          {
            l11.Add(ConvertExtend.ToDecimal(ConvertExtend.ToDecimal(xnum[i - 1],0)*molecule / Denominator
              + ConvertExtend.ToDecimal(ryTextBoxX5.Text,0), 0));
          }
        }
      }
      chartLabTrend.Series[1].Points.DataBindXY(lx1, l11);
      #endregion

    }

以上就是c# 模拟线性回归的示例的详细内容,更多关于c# 模拟线性回归的资料请关注我们其它相关文章!

(0)

相关推荐

  • 使用Keras实现简单线性回归模型操作

    神经网络可以用来模拟回归问题 (regression),实质上是单输入单输出神经网络模型,例如给下面一组数据,用一条线来对数据进行拟合,并可以预测新输入 x 的输出值. 一.详细解读 我们通过这个简单的例子来熟悉Keras构建神经网络的步骤: 1.导入模块并生成数据 首先导入本例子需要的模块,numpy.Matplotlib.和keras.models.keras.layers模块.Sequential是多个网络层的线性堆叠,可以通过向Sequential模型传递一个layer的list来构造该

  • C#直线的最小二乘法线性回归运算实例

    本文实例讲述了C#直线的最小二乘法线性回归运算方法.分享给大家供大家参考.具体如下: 1.Point结构 在编写C#窗体应用程序时,因为引用了System.Drawing命名空间,其中自带了Point结构,本文中的例子是一个控制台应用程序,因此自己制作了一个Point结构 /// <summary> /// 二维笛卡尔坐标系坐标 /// </summary> public struct Point { public double X; public double Y; public

  • 8种用Python实现线性回归的方法对比详解

    前言 说到如何用Python执行线性回归,大部分人会立刻想到用sklearn的linear_model,但事实是,Python至少有8种执行线性回归的方法,sklearn并不是最高效的. 今天,让我们来谈谈线性回归.没错,作为数据科学界元老级的模型,线性回归几乎是所有数据科学家的入门必修课.抛开涉及大量数统的模型分析和检验不说,你真的就能熟练应用线性回归了么?未必! 在这篇文章中,文摘菌将介绍8种用Python实现线性回归的方法.了解了这8种方法,就能够根据不同需求,灵活选取最为高效的方法实现线

  • python 线性回归分析模型检验标准--拟合优度详解

    建立完回归模型后,还需要验证咱们建立的模型是否合适,换句话说,就是咱们建立的模型是否真的能代表现有的因变量与自变量关系,这个验证标准一般就选用拟合优度. 拟合优度是指回归方程对观测值的拟合程度.度量拟合优度的统计量是判定系数R^2.R^2的取值范围是[0,1].R^2的值越接近1,说明回归方程对观测值的拟合程度越好:反之,R^2的值越接近0,说明回归方程对观测值的拟合程度越差. 拟合优度问题目前还没有找到统一的标准说大于多少就代表模型准确,一般默认大于0.8即可 拟合优度的公式:R^2 = 1

  • sklearn+python:线性回归案例

    使用一阶线性方程预测波士顿房价 载入的数据是随sklearn一起发布的,来自boston 1993年之前收集的506个房屋的数据和价格.load_boston()用于载入数据. from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split import time from sklearn.linear_model import LinearRegression bosto

  • python 机器学习之支持向量机非线性回归SVR模型

    本文介绍了python 支持向量机非线性回归SVR模型,废话不多说,具体如下: import numpy as np import matplotlib.pyplot as plt from sklearn import datasets, linear_model,svm from sklearn.model_selection import train_test_split def load_data_regression(): ''' 加载用于回归问题的数据集 ''' diabetes =

  • python用线性回归预测股票价格的实现代码

    线性回归在整个财务中广泛应用于众多应用程序中.在之前的教程中,我们使用普通最小二乘法(OLS)计算了公司的beta与相对索引的比较.现在,我们将使用线性回归来估计股票价格. 线性回归是一种用于模拟因变量(y)和自变量(x)之间关系的方法.通过简单的线性回归,只有一个自变量x.可能有许多独立变量属于多元线性回归的范畴.在这种情况下,我们只有一个自变量即日期.对于第一个日期上升到日期向量长度的整数,该日期将由1开始的整数表示,该日期可以根据时间序列数据而变化.当然,我们的因变量将是股票的价格.为了理

  • scikit-learn线性回归,多元回归,多项式回归的实现

    匹萨的直径与价格的数据 %matplotlib inline import matplotlib.pyplot as plt def runplt(): plt.figure() plt.title(u'diameter-cost curver') plt.xlabel(u'diameter') plt.ylabel(u'cost') plt.axis([0, 25, 0, 25]) plt.grid(True) return plt plt = runplt() X = [[6], [8],

  • Python 线性回归分析以及评价指标详解

    废话不多说,直接上代码吧! """ # 利用 diabetes数据集来学习线性回归 # diabetes 是一个关于糖尿病的数据集, 该数据集包括442个病人的生理数据及一年以后的病情发展情况. # 数据集中的特征值总共10项, 如下: # 年龄 # 性别 #体质指数 #血压 #s1,s2,s3,s4,s4,s6 (六种血清的化验数据) #但请注意,以上的数据是经过特殊处理, 10个数据中的每个都做了均值中心化处理,然后又用标准差乘以个体数量调整了数值范围. #验证就会发现任

  • 如何在python中实现线性回归

    线性回归是基本的统计和机器学习技术之一.经济,计算机科学,社会科学等等学科中,无论是统计分析,或者是机器学习,还是科学计算,都有很大的机会需要用到线性模型.建议先学习它,然后再尝试更复杂的方法. 本文主要介绍如何逐步在Python中实现线性回归.而至于线性回归的数学推导.线性回归具体怎样工作,参数选择如何改进回归模型将在以后说明. 回归 回归分析是统计和机器学习中最重要的领域之一.有许多可用的回归方法.线性回归就是其中之一.而线性回归可能是最重要且使用最广泛的回归技术之一.这是最简单的回归方法之

  • 关于多元线性回归分析——Python&SPSS

    原始数据在这里 1.观察数据 首先,用Pandas打开数据,并进行观察. import numpy import pandas as pd import matplotlib.pyplot as plt %matplotlib inline data = pd.read_csv('Folds5x2_pp.csv') data.head() 会看到数据如下所示: 这份数据代表了一个循环发电厂,每个数据有5列,分别是:AT(温度), V(压力), AP(湿度), RH(压强), PE(输出电力).我

随机推荐