Pythoniga masinõppe näide: mitmekordne lineaarne regressioon

Mitme lineaarne regressioon erineb lihtsast lineaarsest regressioonist selle poolest, et seda rakendatakse mitmele tunnusele, mitte ainult ühele. Selles masinõppe näites näeme mitmekordset lineaarset regressiooni, seega on sisendis rohkem funktsioone.

Enne jätkamist soovitan lugeda kolm lühikest artiklit, kust leiate mitu definitsioonid:

1. Mis on masinõpe, mis see on ja selle eesmärgid
2. Masinõppe tüübid
3. Pythoniga masinõppe näide: lihtne lineaarne regressioon

Kuna me kasutame Pythonit, lugege edasi, kui teil seda veel arvutis pole Kuidas installida Python Microsoft Windowsi

Mitme lineaarse regressiooni jaoks kasutame ka skikit õppima, kuna see on äärmiselt paindlik, muutes kõik kehtivaks, mida nägimelihtsa lineaarse regressiooni näide.

Seejärel on meil meetod saadaval sobima koolituse ja meetodi jaoks ennustada ennustamiseks. Klassi kasutame ka uuesti Lineaarne regressioon.

Ka funktsiooniga make_regression loome pakutavate parameetrite põhjal testandmestiku. Sel viisil on põhistruktuur valmis tegema lineaarset regressiooni. Tuletame meelde make_regression kasutades ära Pythoni mitme määramise omadust järgmiselt:

x, y = make_regression (n_näidised = 500, n_funktsioonid = 5, müra = 10)

Seega on andmekogumil järgmised omadused: 500 väärtust, mis on korraldatud 5 funktsioonina ja lisame müra, vea erinevuse 10, et andmestik ei tunduks liiga korrapärane.

Jagame nüüd andmekogumi koolituse jaoks kasulikuks osaks ja testimiseks kasulikuks osaks. Võiksime mõelda 80 proovile testimiseks ja ülejäänud koolituseks. Selleks kasutame funktsiooni train_test_split mis jagab kaks nimekirja x e y in x_train, y_rong e x_test, y_test

saidilt sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = rongi_testi_jaotus (x, y, testi_suurus = 80)

selle tulemusena saame

((420, 5), (80, 5), (420,), (80,))

Nüüd jätkame regressiooniga, mis toimub täiesti analoogsel viisil lihtsa lineaarse regressiooniga, kuid ilma ümber kujundada sest antud juhul make_regression.

impordist sklearn.linear_model LinearRegression

mudel = lineaarne regressioon ()

model.fit (x_train, y_train)

Allpool on regressiooni arvutatud parameetrid koos koefitsientide ja lõikepunktiga

model.coef_ võtab järgmise väärtuse

massiiv([90.65, 23.45, 66.43, 42.54, 24.35])

model.intercept_ võtab järgmise väärtuse

-0.4564

Koolitatud mudeli abil saame teha ennustuse katseandmete põhjal ja hinnata seda mõne mõõdiku abil:

ennustus = model.predict (x_test)

keskmine_absoluutne_viga (y_test, prognoos)

6.964857

re_score (y_test, prognoos)

0.9876

Kuigi kasutasime andmeid hariduslikel eesmärkidel, näitavad tulemused, et meie mudel töötab. Ta on haritud, oskab ennustada ja on registreerinud ka R-ruudu mõõdiku väärtuse praktiliselt maksimumtasemel.

Ercole Palmeri: Innovatsioonisõltuvus

---