Come fare una regressione lineare con sklearn Introduzione regressione lineare semplice è un metodo statistico che permette di riassumere e le relazioni di studio tra due o più variabili continue (quantitative). It39s una buona idea per iniziare a fare una regressione lineare per l'apprendimento o quando si inizia ad analizzare i dati, dal momento che i modelli lineari sono semplici da capire. Se un modello lineare non è la strada da percorrere, allora si può passare a modelli più complessi. regresion lineare cerca di trovare una relazione tra le variabili. Scikit-learn è una libreria Python che viene utilizzato per l'apprendimento automatico, l'elaborazione dei dati, convalida incrociata e molto altro ancora. In questo tutorial ci accingiamo a fare una semplice regressione lineare utilizzando questa libreria, in particolare ci accingiamo a giocare con alcuni dati casuali generati che useremo per prevedere un modello. Si richiedono all'utente di avere un ambiente di pitone anaconda già installato. Quando usare la regressione lineare Quando si pensa ci sia una relazione tra la variabile da analizzare (X e Y), come si vede in figura 0. Quello che stiamo per adattarsi è la pendenza (m) e Y-intercettore (b), così ci accingiamo a ottenere una funzione del tipo: y xm b. In questo caso la combinazione lineare ha solo x da quando stiamo utilizzando i dati 2D, ma il modello lineare generale dove y è il modello previsto è: Fase 1: Installazione scikit-learn prova che scikit-learn è stato installato correttamente :: Fase 2: Generazione dati lineare casuale Stiamo andando a scegliere i valori fissi di m e B per la formula y xm b. Poi, con un errore casuale di 1 genererà i punti casuali. Di solito non si nota in anticipo queste informazioni, si generano questi dati per scopi didattici. Con questi punti stiamo andando ad utilizzare sklearn per creare un regresion lineare e verificare quanto vicino siamo arrivati alla m fisso e valori B che abbiamo scelto. Nel nostro codice prima si definisce la funzione f, che è una funzione lineare. In particolare, questa funzione aggiunge - 1 di errore casuale al risultato, se non stiamo per ottenere una linea retta. Poi generiamo 300 punto casuale che useremo per la formazione di un modello. Se noi tracciamo il punto avremo: Fase 3: Utilizzo scikit-learn a fare una regressione lineare Ora siamo pronti per iniziare a utilizzare scikit-learn a fare una regressione lineare. Utilizzando l'elenco valori che alimenterà il metodo di adattamento della regressione lineare. Anche noi separare i dati in due pezzi: treno e prova. Con thet al punto 5 che stiamo per misurare l'errore del modello lineare addestrato. L'output dovrebbe essere simile a: Passo 4: Trama il risultato ora ci accingiamo a tracciare la regressione montato: Fase 5: Misurare l'errore L'output dovrebbe essere simile a: Come risolvere l'errore di errore: ImportError: numpy. core. multiarray fallita importare tenta di aggiornare NumPy con: Se non si utilizza Anaconda: Come risolvere ValueError: array trovato con i numeri incoerenti di campioni Controllare che i valori X della funzione di adattamento è un elenco di elenco di possibili valori per ogni Y. si prega di abilitare JavaScript per visualizzare i commenti alimentati da Disqus. sklearn. linearmodel. LinearRegression DISAPPROVATO: residui è deprecato e saranno rimossi in 0,19 i residui del modello adattato. Restituisce il coefficiente di determinazione R2 della previsione. Il coefficiente R2 è definito come (1 - uv), dove u è la somma dei quadrati di regressione ((ytrue - ypred) 2).sum () e v è la somma dei quadrati dei residui ((ytrue - ytrue. mean ()) 2).sum (). Miglior punteggio possibile è 1.0 e può essere negativo (perché il modello può essere arbitrariamente peggio). Un modello costante che prevede sempre il valore atteso di y, trascurando le funzioni di input, sarebbe ottenere un punteggio R2 di 0.0. X . array-like, la forma (nsamples, nCaratteristiche)
No comments:
Post a Comment