Eisimpleir Ionnsachadh Inneal le Python: Simple Linear Regression

Anns an eisimpleir seo de ionnsachadh innealan chì sinn ais-thionndadh sreathach le aon fheart cuir a-steach. Tionndadh loidhneach sìmplidh.

Mus lean thu air adhart, tha mi a’ moladh dhut dà artaigil ghoirid a leughadh, far am faigh thu diofar mhìneachaidhean:

Leis gum bi sinn ga chleachdadh Python, mura h-eil e agad air a’ PC agad fhathast, leugh cuideachd Mar a stàlaicheas tu Python air Microsoft Windows

Mar eisimpleir, leig dhuinn beachdachadh air dà liosta Python: tha a’ chiad fhear a’ riochdachadh luachan cuir a-steach (feart), an dàrna fear na luachan toraidh (targaid).

x = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

y = [28, 26, 35, 21, 33, 35, 41, 44, 42, 51]

Faodar an dà liosta seo a riochdachadh air clàr dotagan sgapaidh

Bhon ghraf chì sinn gu bheil cuairteachadh cha mhòr sreathach aig na puingean, ged nach eil iad air an aon loidhne, bhon phuing gu h-ìosal air an taobh chlì chun a’ phuing gu h-àrd air an làimh dheis. Faodar cuairteachadh nam puingean air a’ ghraf a chomharrachadh mar ghluasad nan liostaichean a tha mar bhunait don mhodail air am bi an inneal ionnsachaidh fèin-ghluasadach againn stèidhichte.

Modail

Mar sin faodaidh sinn a ràdh ma tha an X fàs, eadhon an Y bidh e a’ fàs, mar gum biodh na puingean timcheall loidhne mac-meanmnach. Is e amas an ath-thionndaidh an loidhne seo, an loidhne dhìreach seo a chomharrachadh. Chuidicheadh comharrachadh na loidhne seo sinn gus na puingean Y a chomharrachadh airson luachan X nach eil an làthair san liosta.

Gu dearbh, is dòcha gum faighnich sinn dhuinn fhìn ciamar a nì sinn ro-innse air luach Y airson X nach eil air a ghabhail a-steach anns na cùisean, nach eil air a ghabhail a-steach san dà liosta? Gu bunaiteach, dè an luach a bhiodh air Y nam b’ fhiach X 11, no 12, neo 13?

Bidh ais-tharraing sreathach a’ tomhas na loidhne as fheàrr a tha a’ dèanamh tuairmse air na puingean, is e sin, an loidhne a tha a’ dol eadar na puingean, a’ lughdachadh an astair bho gach aon dhiubh. Agus leis gun toir ais-tharraing sìmplidh loidhne dhìreach dhuinn, tha e follaiseach nach bi an ro-aithris cho ceart, ach bidh e comasach dhuinn fhathast ìre so-chreidsinneach a thomhas, gu math faisg air Y.

Dèanamaid e le scikit-learn:

# bidh sinn a’ toirt a-steach am modal ais-tharraing sreathach bho scikit-learn

import numpy mar np

bho sklearn.linear_model import LinearRegression

# cuiridh sinn am modail sa bhad

model = Tilleadh loidhneach ()

# bidh sinn a’ tòiseachadh nan luachan a dh’ fheumas sinn gus an inneal a stiùireadh

x = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

y = [28, 26, 35, 21, 33, 35, 41, 44, 42, 51]

# bidh sinn a’ structaradh an dàta ann an cruth dà-thaobhach

X = np.array (x) .reshape (-1,1)

# bidh sinn a’ trèanadh a’ mhodail

modail.fit (X, y)

An toradh a gheibhear bhon chòd Python a tha modail ionnsaichte. Chaidh an rud modail a chuir an sàs sa bhad leis a’ chlas ais-tharraing sreathach, agus às deidh dha a bhith ag iarraidh a’ mhodail iomchaidh, tha am modail air an dàta a sgrùdadh agus tha e deiseil airson ro-innse a dhèanamh.

An ro-aithris

Gus an ro-innse a bhith againn feumaidh sinn an dòigh ro-innse a chleachdadh, air a bheil uallach airson suidheachaidhean san àm ri teachd a ro-innse. Cuiridh sinn an sreath ris

clò-bhualadh (model.predict ([[11], [12], [13], [14]]))))

a’ tòiseachadh air a’ phrògram a-rithist, gheibh sinn na ceithir luachan a thathar an dùil a fhreagras air feartan 11, 12, 13 agus 14:

[49.8 52.38181818 54.96363636 57.54545455]

Mar sin is iad na ceithir luachan a gheibhear ann an litrichean:

11 -> 49.8
12 -> 52.38181818
13 -> 54.96363636
14 -> 57.54545455

Mar a chì sinn, tha luachan àrdachadh X a 'freagairt ri luachan àrdachadh Y, agus tha seo a' dèanamh ciall. Feuchaidh sinn ri faicinn dè thachras air a’ ghraf

Tha an loidhne dhearg a’ riochdachadh toradh an ais-tharraing. Tha e coltach gur e an loidhne mìneachadh geoimeatrach, agus gu sònraichte sreathach, air cuairteachadh phuingean. Gu bunaiteach tha e coltach ri bhith ag ràdh gur e modail sìmplidh agus sreathach a th’ anns a’ mhodail a chaidh a thaghadh gus an ro-aithris àrdachadh.

Faodaidh sinn a ràdh nach eil an ro-aithris gu math ceart, ach is e mìneachadh a th ’ann.

Mar a nì thu measadh air na toraidhean

Aon uair ‘s gu bheil na toraidhean ro-innse air fhaighinn, bidh e cudromach fios a bhith agad an-còmhnaidh mar a nì thu measadh air èifeachdas modail. Gus seo a dhèanamh feumaidh sinn na slatan-tomhais sin fhaicinn scikit-ionnsaich ri fhaighinn sa phasgan sklearn.metrics.

Tha na meatrach stèidhichte air bun-bheachd a’ chòrr, i.e. dè cho fada ‘s a tha an loidhne a’ gluasad bho fhìor luach y airson x ainmichte. Gu practaigeach airson gach puing an astar bho loidhne dhìreach a’ phuing fhèin.

Is urrainn dhuinn na tha air fhàgail obrachadh a-mach le bhith a’ cunntadh an eadar-dhealachaidh eadar an fhìor luach agus an luach a thathar a’ sùileachadh, is urrainn dhuinn a dhèanamh airson feartan 1 gu 10:

# dèan ro-innse airson x luachan bho 1 gu 10

y_pred = model.predict (X)

clò-bhualadh (y_pred)

# obraich a-mach na tha air fhàgail

fuigheall = y - y_pred

clò-bhualadh (fuigheall)

mar thoradh air an sin gheibh mi na fàisneachdan

[23.98181818 26.56363636 29.14545455 31.72727273 34.30909091 36.89090909 39.47272727 42.05454545 44.63636364]

agus fuigheall
[4.01818182 -0.56363636 5.85454545 -10.72727273 -1.30909091 -1.89090909 1.52727273 1.94545455 -2.63636364]

Bidh gach aon de na luachan sin a’ tomhas dè cho fada ‘s a tha an loidhne air a dhol seachad bhon phuing sa ghraf. Canar na puingean le barrachd fuigheall a-muigh, is e sin, na luachan co-cheangailte ris a’ ghluasad choitcheann (mar eisimpleir an ràithe -10.72). Is e an dàrna luach -0.56 agus mar sin gu mòr a rèir a’ ghluasaid choitcheann.

Na Metrics

Airson ais-tharraing sreathach tha metrics fìor chudromach a bhios scikit-learn rim faighinn, chì sinn cuid dhiubh:

Mearachd iomlan cuibheasach: a’ toirt a-steach cuibheasachd luachan iomlan nan fuigheall. Gu bun-bheachdail bidh e a’ tomhas astar gach puing bhon loidhne. Simple agus concrait, tha e air a thomhas le luachan iomlan oir tha e a 'tomhas an astair agus chan e an suidheachadh os cionn no fon loidhne. A bharrachd air an sin, tha an luach iomlan a’ toirt dearbhadh dhuinn nach bi luachan eile a’ cuir dheth a chèile. Faodaidh luach MAE a bhith nas motha na no co-ionann ri neoni, agus mar as fhaisge a tha e air neoni, ’s ann as fheàrr a tha an ro-aithris;
Mearachd ceàrnagach cuibheasach: a’ toirt a-steach cuibheasachd nan ceàrnagan de luachan iomlan nan fuigheall, leithid am MAE ach na ceàrnagan. Tha luach MSE nas motha na no co-ionann ri neoni, agus mar as fhaisge a tha e air neoni, ’s ann as fheàrr a tha an ro-innse;
Ceàrnag R: beagan nas iom-fhillte na an fheadhainn a bh ’ann roimhe, ach faodaidh sinn a ràdh gu bheil e a’ buntainn ris na mearachdan a chaidh a dhèanamh rè na h-ìre ro-innse leis an eadar-dhealachadh san dàta fhèin. Tha luach ceàrnagach R an-còmhnaidh nas lugha na no co-ionann ri 1, le comas air luachan àicheil a bhith ann. Ma tha ceàrnag R co-ionann ri 1 tha e a 'ciallachadh gu bheil am modail a' mìneachadh a 'ghluasaid gu math, aig neoni tha an coileanadh neodrach. Ma tha luach àicheil aig ceàrnag R, tha e a’ ciallachadh nach do rinn am modail gu math.

Is iad na gnìomhan scikit-learn a chuireas ris na trì comharran: