Davam etməzdən əvvəl üç qısa məqaləni oxumağı məsləhət görürəm, burada bir neçəsini tapa bilərsiniz defiNümayişlər:
Python-dan istifadə edəcəyimizə görə, əgər kompüterinizdə hələ yoxdursa, oxuyun Microsoft Windows-da Python-u necə quraşdırmaq olar
Çox xətti reqressiya üçün biz də istifadə edəcəyik skikit-öyrənmək, son dərəcə çevik olduğu üçün, gördüyümüz hər şeyi etibarlı edirsadə xətti reqressiya nümunəsi.
Bundan sonra üsul əlimizdə olacaq yararlı təlim və metod üçün qabaqcadan xəbər vermək proqnoz üçün. Biz də yenidən sinifdən istifadə edəcəyik Xətti-Reqressiya.
Həm də funksiyası ilə make_regression təmin edəcəyimiz parametrlər əsasında test Data Set quracağıq. Bu şəkildə əsas struktur Xətti Reqressiya etməyə hazırdır. xatırlayacağıq make_regression Python-un çoxlu tapşırıq xarakteristikasından aşağıdakı kimi faydalanaraq:
x, y = make_regression (n_nümunə = 500, n_xüsusiyyətlər = 5, səs-küy = 10)
Beləliklə, verilənlər bazası aşağıdakı xüsusiyyətlərə sahib olacaq: 500 xüsusiyyətdə təşkil edilmiş 5 dəyər və verilənlər toplusunun çox müntəzəm görünməməsi üçün səs-küy, 10 səhv fərqi əlavə edirik.
İndi verilənlər bazasını təlim üçün faydalı hissəyə və sınaq üçün faydalı hissəyə ayıraq. 80 nümunəni sınaq üçün, qalanını isə təlim üçün düşünə bilərik. Bunun üçün funksiyadan istifadə edirik qatar_testi bölməsi iki siyahını bölən x e y in x_train, y_qatar e x_test, y_test
sklearn.model_selection-dan idxal train_test_split
x_train, x_test, y_train, y_test = train_test_split (x, y, test_size = 80)
nəticədə əldə edəcəyik
((420, 5), (80, 5), (420,), (80,))
İndi biz sadə xətti reqressiyaya tamamilə analoji şəkildə baş verən reqressiyaya keçirik, lakin dəyişdirmək çünki bu halda make_regression.
sklearn.linear_model-dən LinearRegression idxalı
model = XəttiReqressiya ()
model.fit (x_train, y_train)
Aşağıda əmsallar və kəsişmə ilə birlikdə reqressiya üçün hesablanmış parametrlər var
model.coef_ aşağıdakı qiyməti qəbul edir
massiv ([90.65, 23.45, 66.43, 42.54, 24.35])
model.intercept_ aşağıdakı qiyməti alır
0.4564-
Təlim edilmiş model ilə biz test məlumatlarına dair proqnoz verə və bəzi ölçülərlə qiymətləndirə bilərik:
proqnoz = model.predict (x_test)
orta_mütləq_səhv (y_test, proqnoz)
6.964857
yenidən hesab (y_test, proqnoz)
0.9876
Məlumatlardan təhsil məqsədləri üçün istifadə edərkən, nəticələr modelimizin işlədiyini göstərir. O, təhsil alıb, proqnozlar vermək qabiliyyətinə malikdir və həmçinin R-kvadrat metrikasının dəyərini praktiki olaraq maksimum səviyyədə qeyd edib.
Ercole Palmeri: İnnovasiya asılılığı
Microsoft Excel verilənlərin təhlili üçün istinad alətidir, çünki məlumat dəstlərini təşkil etmək üçün bir çox funksiyalar təklif edir,…
Walliance, SİM və 2017-ci ildən bəri Daşınmaz Əmlak Crowdfunding sahəsində Avropanın liderləri arasında olan platforma, tamamlandığını elan edir ...
Filament bir neçə tam yığın komponenti təmin edən "sürətləndirilmiş" Laravel inkişaf çərçivəsidir. Bu prosesi asanlaşdırmaq üçün nəzərdə tutulmuşdur...
“Mən təkamülü başa çatdırmaq üçün geri qayıtmalıyam: özümü kompüterin içində layihələndirəcəyəm və saf enerjiyə çevriləcəyəm. Bir dəfə məskunlaşan…
Google DeepMind süni intellekt modelinin təkmilləşdirilmiş versiyasını təqdim edir. Yeni təkmilləşdirilmiş model təkcə…
Zərif sintaksisi və güclü xüsusiyyətləri ilə məşhur olan Laravel, həmçinin modul arxitektura üçün möhkəm zəmin yaradır. Orada…
Cisco və Splunk müştərilərə gələcəyin Təhlükəsizlik Əməliyyatları Mərkəzinə (SOC) səyahətlərini sürətləndirməyə kömək edir...
Ransomware son iki ildə xəbərlərdə üstünlük təşkil edir. İnsanların çoxu yaxşı bilir ki, hücumlar...