Primjer strojnog učenja s Pythonom: višestruka linearna regresija

Višestruka linearna regresija se razlikuje od jednostavne linearne regresije po tome što se primjenjuje na više karakteristika, a ne samo na jednu. U ovom primjeru mašinskog učenja vidjet ćemo višestruku linearnu regresiju, dakle sa više karakteristika u unosu.

Prije nego što nastavite, preporučujem vam da pročitate tri kratka članka, gdje ćete ih pronaći nekoliko definacije:

1. Šta je mašinsko učenje, o čemu se radi i čiji su ciljevi
2. Vrste mašinskog učenja
3. Primjer strojnog učenja s Pythonom: Jednostavna linearna regresija

Pošto ćemo koristiti Python, ako ga još nemate na svom računaru, čitajte dalje Kako instalirati Python na Microsoft Windows

Za višestruku linearnu regresiju također ćemo koristiti scikit-learn, budući da je izuzetno fleksibilan, čini sve validnim ono što smo vidjeli uprimjer jednostavne linearne regresije.

Tada ćemo metodu imati na raspolaganju odgovarati za obuku i metodu predvidjeti za predviđanje. Također ćemo ponovo koristiti čas Linearna regresija.

Također sa funkcijom make_regression napravićemo testni skup podataka na osnovu parametara koje ćemo obezbediti. Na ovaj način osnovna struktura je spremna za linearnu regresiju. Podsjetit ćemo na make_regression koristeći prednosti višestrukog dodjeljivanja karakteristika Pythona, kako slijedi:

x, y = make_regression (n_uzoraka = 500, n_features = 5, buka = ​​10)

Dakle, skup podataka će imati sljedeće karakteristike: 500 vrijednosti, organiziranih u 5 karakteristika, a mi dodajemo šum, razliku greške od 10 kako skup podataka ne bi izgledao previše regularan.

Podijelimo sada skup podataka na dio koji je koristan za obuku i dio koristan za testiranje. Mogli bismo smisliti 80 uzoraka za testiranje, a ostatak za obuku. Za to koristimo funkciju train_test_split koji dijeli dvije liste x e y in x_train, y_train e x_test, y_test

iz sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split (x, y, test_size = 80)

kao rezultat ćemo imati

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

Sada prelazimo na regresiju koja se odvija na potpuno analogan način jednostavnoj linearnoj regresiji, ali bez preoblikovati jer u ovom slučaju make_regression.

iz sklearn.linear_model import LinearRegression

model = Linearna regresija ()

model.fit (x_train, y_train)

U nastavku imamo izračunate parametre za regresiju, zajedno sa koeficijentima i presjekom

model.coef_ uzima sljedeću vrijednost

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

model.intercept_ uzima sljedeću vrijednost

-0.4564

Sa obučenim modelom možemo napraviti predviđanje na testnim podacima i procijeniti ga pomoću nekih metrika:

predviđanje = model.predict (x_test)

srednja_apsolutna_greška (y_test, prognoza)

6.964857

re_score (y_test, prognoza)

0.9876

Iako smo podatke koristili u obrazovne svrhe, rezultati pokazuju da naš model funkcionira. Obrazovan je, sposoban je za predviđanje, a također je zabilježio vrijednost za R-kvadrat metriku na praktično maksimalnom nivou.

Ercole Palmeri: Ovisnik o inovacijama

---