Подбор линейной регрессии и вычисление метрик в Python ⇐ Python

[Anonymous]

У меня есть два ряда данных: прогнозы модели и наблюдения. Я умею делать линейные сюжеты из этих серий. Я хотел бы добавить линейную регрессию двух рядов данных. я также хотел бы добавить метрики в качестве аннотаций к графику. мне нужна помощь, как настроить формулу подгонки, в настоящее время она не принимается (ошибка), а MAE (-18,1903) и r в квадрате (-6,4282) неверны.
Мне не удалось решить свою проблему из подобных сообщений, помогите, пожалуйста.
Date,HumFc,HumOb
20260201, 74.5, 78.2
20260201, 74.5, 78.2
20260202, 71.4, 93.9
20260203, 60.1, 80.2
20260204, 67.9, 91.4
20260205, 71.4, 89.5
20260206, 62.9, 97.7
20260207, 64.5, 89.7
20260208, 76.1, 88.2
20260209, 75.8, 83.7
20260210, 73.8, 90.2
20260211, 65.4, 89.9
20260212, 50.4, 80.7
20260213, 60.8, 75.6
20260214, 65.0, 93.9
20260215, 64.3, 85.3
20260216, 69.1, 86.2
20260217, 74.0, 95.0
20260218, 81.8, 87.7
20260219, 71.6, 89.9
20260220, 65.9, 86.5
20260221, 52.9, 90.9
20260222, 86.2, 87.8
20260223, 75.4, 68.9
20260224, 80.2, 87.6
20260225, 70.4, 90.6
20260226, 70.4, 87.2
20260227, 74.8, 86.1
20260228, 65.2, 84.9
20260301, 65.6, 94.5
20260302, 71.9, 88.1
20260303, 68.4, 92.0

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
from datetime import datetime

df = pd.read_csv('/Hum_h5d_06.csv', skipinitialspace=True)
print(df.columns)
df['Date'] = pd.to_datetime(df['Date'].astype(str), format='%Y%m%d')
df['Date'] = pd.to_datetime(df['Date'], format="%b %d")
#quit()

#1. Create and fit the regression model:
model = LinearRegression()

#2. fit regression model
X = np.array(df['HumOb']).reshape((-1, 1))
Y = df['HumFc']
model.fit(X, Y)

#3. calculate metrics
RMSE = np.sqrt(((df['HumFc'] - df['HumOb'])**2).mean())
print(f"RMSE: {RMSE:.4f}")
MAE = mean_absolute_error(df['HumFc'], df['HumOb'])
print(f"MAE: {MAE:.4f}")
RSQ = r2_score(df['HumFc'], df['HumOb'])
print(f"RSQ: {RSQ:.4f}")
quit()

#4. Create plot and get the axes object
fig, ax = plt.subplots()
ax.plot(df['Date'], df['HumOb'])

date_format = mdates.DateFormatter('%b %d')

#5. Apply the formatter to the x-axis
ax.xaxis.set_major_formatter(date_format)

# Optional: automatically format and rotate the date labels for better visibility
fig.autofmt_xdate()

#6. make the plot
plt.plot(df['Date'], df['HumOb'], color='b', label='HumOb')
plt.plot(df['Date'], df['HumFc'], color='r', label='HumFc')
plt.title('5-Day Humidity Forecast and AWS Recorded Humidity')
plt.xlabel('Date_of_Forecast')
plt.ylabel('Humidity')
plt.legend(loc = "lower right", bbox_to_anchor=(1.01, 0.04), fontsize=10)
plt.grid(True)

#7. Annotation text
metrics_text = (
f"RMSE: {RMSE:.3f}\n"
f"MAE: {MAE:.3f}\n"
f"RSQ: {RSQ:.3f}"
)

#8. Add the metrics as an annotation on the plot
plt.annotate(
metrics_text,
xy=(0.025, 0.065), # Position (x, y) relative to plot axes (0,0 is bottom left, 1,1 is top right)
xycoords='axes fraction',
fontsize=8,
bbox=dict(boxstyle="round,pad=0.5", fc="white", alpha=0.5)
)
plt.show()