Enne jätkamist soovitan lugeda kolm lühikest artiklit, kust leiate mitu definitsioonid:
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
Microsoft Excel on andmeanalüüsi viitetööriist, kuna see pakub palju funktsioone andmekogumite korraldamiseks,…
Walliance, SIM ja platvorm alates 2017. aastast Euroopa kinnisvara ühisrahastuse valdkonna liidrite seas, teatab, et…
Filament on "kiirendatud" Laraveli arendusraamistik, mis pakub mitmeid täispinu komponente. See on loodud selleks, et lihtsustada…
«Pean tagasi pöörduma, et oma evolutsioon lõpule viia: projitseerin end arvutisse ja muutun puhtaks energiaks. Pärast sisseelamist…
Google DeepMind tutvustab oma tehisintellekti mudeli täiustatud versiooni. Uus täiustatud mudel pakub mitte ainult…
Laravel, mis on kuulus oma elegantse süntaksi ja võimsate funktsioonide poolest, loob ka kindla aluse moodularhitektuurile. Seal…
Cisco ja Splunk aitavad klientidel kiirendada nende teekonda tuleviku turvaoperatsioonide keskusesse (SOC)…
Viimased kaks aastat on uudistes domineerinud lunavara. Enamik inimesi on hästi teadlikud, et rünnakud…