【Streamlit】回帰分析の結果を可視化するアプリ

import numpy as np
import pandas as pd

# ランダムなデータを生成
np.random.seed(42)  # 再現性のための固定
x = np.random.rand(100) * 10  # 0〜10の範囲で100個のデータ
noise = np.random.randn(100)  # ノイズ（正規分布）
y = 2.5 * x + 5 + noise  # 回帰直線にノイズを加える

# DataFrameにまとめる
df = pd.DataFrame({'x': x, 'y': y})

from sklearn.linear_model import LinearRegression

# 特徴量と目的変数に分ける
X = df[['x']]  # 入力は2次元配列が必要
y = df['y']

# モデルの作成と学習
model = LinearRegression()
model.fit(X, y)

# 回帰直線の係数と切片を取得
a = model.coef_[0]
b = model.intercept_
print(f"回帰直線の式: y = {a:.2f}x + {b:.2f}")

import matplotlib.pyplot as plt

# 回帰直線の予測値
y_pred = model.predict(X)

# グラフの描画
plt.figure(figsize=(8, 5))
plt.scatter(x, y, label='データ点', alpha=0.6)
plt.plot(x, y_pred, color='red', label='回帰直線')
plt.xlabel('x')
plt.ylabel('y')
plt.title('線形回帰の結果')
plt.legend()
plt.grid(True)
plt.show()

import streamlit as st
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import japanize_matplotlib
from sklearn.linear_model import LinearRegression

st.title("【Streamlit】回帰分析の可視化アプリ")

# サンプルデータの生成
st.sidebar.header("データ生成設定")
n_samples = st.sidebar.slider("データ数", 10, 500, 100)
noise_level = st.sidebar.slider("ノイズの強さ", 0.0, 10.0, 1.0)

np.random.seed(42)
x = np.random.rand(n_samples) * 10
noise = np.random.randn(n_samples) * noise_level
y = 2.5 * x + 5 + noise

df = pd.DataFrame({'x': x, 'y': y})

# 回帰モデルの学習
X = df[['x']]
model = LinearRegression()
model.fit(X, df['y'])
y_pred = model.predict(X)

# 回帰式の表示
st.write(f"**回帰直線の式**: y = {model.coef_[0]:.2f}x + {model.intercept_:.2f}")

# グラフの表示
fig, ax = plt.subplots()
ax.scatter(df['x'], df['y'], label='データ点', alpha=0.6)
ax.plot(df['x'], y_pred, color='red', label='回帰直線')
ax.set_xlabel("x")
ax.set_ylabel("y")
ax.set_title("線形回帰の結果")
ax.legend()
ax.grid(True)

st.pyplot(fig)