Python ilə Maşın Öyrənmə nümunəsi: Çox Xətti Reqressiya

Çoxxətti reqressiya sadə xətti reqressiyadan onunla fərqlənir ki, o, bir deyil, çoxlu xüsusiyyətlərə tətbiq edilir. Maşın öyrənməsinin bu nümunəsində biz çoxlu xətti reqressiya görəcəyik, buna görə də girişdə daha çox xüsusiyyət var.

Davam etməzdən əvvəl üç qısa məqaləni oxumağı məsləhət görürəm, burada bir neçəsini tapa bilərsiniz defiNümayişlər:

1. Maşın Öyrənməsi nədir, nə haqqındadır və məqsədləri
2. Maşın öyrənmə növləri
3. Python ilə Maşın Öyrənmə nümunəsi: Sadə Xətti Reqressiya

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

---