线性回归模型分析学生成绩_线性回归模型预测数学成绩studentsperformance

LinearRegression 是线性回归模型的实现类；

train_test_split 用于将数据集分成训练集和测试集；

cross_val_score 用于交叉验证；

r2_score 用于评估模型在测试集上的预测性能。

1. 计算各个特征之间的相关系数，并打印输出

corr_matrix = df.corr() print(corr_matrix)

使用 corr() 方法计算各个特征之间的相关系数，并打印输出。

1. 挑选出与期末成绩相关性较高的特征进行分析

X = df[['Midterm', 'Quiz']] Y = df['Final']

选取 Midterm 和 Quiz 两个特征作为自变量 X，选取 Final 作为因变量 Y。

1. 划分训练集和测试集

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2)

使用 train_test_split 方法将数据集划分成训练集和测试集，并按照 8:2 的比例划分，其中测试集占比为 20% 。

1. 建立线性回归模型并进行交叉验证

model = LinearRegression() scores = cross_val_score(model, X_train, Y_train, cv=3)

使用 LinearRegression() 创建一个线性回归模型，并使用 cross_val_score 进行 3 折交叉验证，并将分数保存在 scores 中。

1. 在测试集上进行预测并评价模型性能

model.fit(X_train, Y_train) Y_pred = model.predict(X_test) r2 = r2_score(Y_test, Y_pred)

使用 fit 方法在训练集上拟合数据，使用 predict 方法在测试集上进行预测，使用 r2_score 方法评估模型在测试集上的预测性能。

1. 使用模型预测某个学生在期末考试中的成绩

X_new = [[80, 90]] Y_new = model.predict(X_new)

构造一个 X_new 数据，包含期中考试成绩为 80 分、小测成绩为 90 分的一位学生，并使用以上步骤训练出来的模型进行预测。