Multiple Linear Regression

Linear Regression은 독립변수가 1개 종속변수가 1개였는데 Multiple Linear Regression은 독립변수가 여러개 종속변수가 1개가 됩니다.
scikit-learn으로 Multiple Linear Regression을 구현하겠습니다.

import numpy as np
import pandas as pd
from sklearn import linear_model

original = pd.read_csv('경로')

# 독립변수: Solar.R, Wind, Temp
# 종속변수: Ozone
# 위의 필요한 컬럼만 남깁니다.
df1 = original[['Solar.R', 'Wind', 'Temp', 'Ozone']]

# 결측치 제거
df2 = df1.dropna(how='any')
# 이상치 제거 필요

# scikit-learn 구현은 정규화 처리를 하지 않아도 됩니다.
x_data = df2.drop('Ozone', axis=1, inplace=False).values
t_data = df2['Ozone'].values.reshape(-1,1)

# Model 만들고 학습을 진
sklearn_model = linear_model.LinearRegression()
sklearn_model.fit(x_data, t_data)
sklearn_model.predict([[130, 10, 70]]) # array([[25.74518848]])

Keras로 Multiple Linear Regression을 구현해보겠습니다.

import numpy as np
import pandas as pd
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Flatten, Dense
from tensorflow.keras.optimizers import SGD
from sklearn.preprocessing import MinMaxScaler

original = pd.read_csv('/content/drive/MyDrive/AI 융합 서비스 개발자 양성과정제목없는 폴더/빅데이터 과정/data/ozone/ozone.csv')

df1 = original[['Solar.R', 'Wind', 'Temp', 'Ozone']]

# 결측치 제거
df2 = df1.dropna(how='any')

# 정규화 처리
scaler_x = MinMaxScaler()
scaler_t = MinMaxScaler()

scaler_x.fit(df2.drop('Ozone',axis=1, inplace=False))
scaler_t.fit(df2['Ozone'].values.reshape(-1,1))

x_data = scaler_x.transform(df2.drop('Ozone',axis=1, inplace=False))
t_data = scaler_t.transform(df2['Ozone'].values.reshape(-1,1))

# 모델 만들고 학습
keras_model = Sequential()
keras_model.add(Flatten(input_shape=(3,)))
output_layer = Dense(units=1, activation='linear')
keras_model.add(output_layer)
keras_model.compile(optimizer=SGD(learning_rate=1e-2), loss='mse')
keras_model.fit(x_data, t_data, epochs=1000)

# 검증
my_data = np.array([[130, 10, 70]])
my_data_norm = scaler_x.transform(my_data)
result = keras_model.predict(my_data_norm)

real_result = scaler_t.inverse_transform(result)

print(real_result) # [[26.754656]]