Пред да продолжите, препорачувам да прочитате три кратки написи, каде што ќе најдете неколку defiпоими:
Бидејќи ќе користиме Python, ако сè уште го немате на вашиот компјутер, прочитајте Како да инсталирате Python на Microsoft Windows
За повеќекратна линеарна регресија ќе го користиме и scikit-учење, бидејќи е исклучително флексибилен, правејќи сè да важи она што го видовме вопример на едноставна линеарна регресија.
Потоа ќе го имаме на располагање методот одговара за обука и метод се предвиди за предвидување. Исто така, повторно ќе ја користиме класата Линеарна регресија.
Исто така со функцијата make_regression ќе изградиме тест сет на податоци врз основа на параметрите што ќе ги обезбедиме. На овој начин основната структура е подготвена да направи линеарна регресија. Ќе се потсетиме на make_regression искористувајќи ја предноста на повеќекратната карактеристика на Python, како што следува:
x, y = make_regression (n_samps = 500, n_features = 5, noise = 10)
Значи, податоката ќе ги има следните карактеристики: 500 вредности, организирани во 5 карактеристики, и додаваме шум, разлика во грешка од 10 за да не се чини дека базата на податоци е премногу редовна.
Ајде сега да ја поделиме базата на податоци на дел корисен за обука и дел корисен за тестирање. Можевме да смислиме 80 примероци за тестирање, а останатите за обука. За да го направите ова, ја користиме функцијата train_test_split што ги дели двете листи x e y in x_воз, y_воз e x_тест, y_тест
од sklearn.model_selection увоз train_test_split
x_train, x_test, y_train, y_test = train_test_split (x, y, тест_големина = 80)
како резултат ќе имаме
((420, 5), (80, 5), (420,), (80,))
Сега продолжуваме кон регресијата која се одвива на тотално аналоген начин на едноставна линеарна регресија, но без преобликување бидејќи во овој случај make_regression.
од sklearn.linear_model увоз Линеарнарегресија
модел = Линеарна регресија ()
model.fit (x_train, y_train)
Подолу ги имаме пресметаните параметри за регресија, заедно со коефициентите и пресекот
model.coef_ ја зема следната вредност
низа ([90.65, 23.45, 66.43, 42.54, 24.35])
model.intercept_ ја зема следната вредност
-0.4564
Со обучениот модел можеме да направиме предвидување на податоците од тестот и да го оцениме со некои метрики:
предвидување = модел.предвиди (x_тест)
средна_апсолутна_грешка (y_тест, прогноза)
6.964857
re_score (y_тест, прогноза)
0.9876
Иако користевме податоци за едукативни цели, резултатите покажуваат дека нашиот модел функционира. Тој е образован, способен е да прави предвидувања, а исто така забележал вредност за R-квадрат метрика на практично максимално ниво.
Ercole Palmeri: Зависник од иновации
Google DeepMind воведува подобрена верзија на својот модел за вештачка интелигенција. Новиот подобрен модел обезбедува не само…
Ларавел, познат по својата елегантна синтакса и моќните карактеристики, исто така обезбедува цврста основа за модуларна архитектура. Таму…
Cisco и Splunk им помагаат на клиентите да го забрзаат своето патување до Центарот за безбедносни операции (SOC) на иднината со…
Ransomware доминира во вестите во последните две години. Повеќето луѓе се свесни дека нападите…
Операција на офталмопластика со помош на комерцијалниот прегледувач на Apple Vision Pro беше извршена во поликлиниката Катанија…
Развивањето на фини моторни вештини преку боење ги подготвува децата за посложени вештини како пишување. Да обои…
Поморскиот сектор е вистинска глобална економска сила, која навигираше кон пазар од 150 милијарди ...
Минатиот понеделник, Financial Times објави договор со OpenAI. ФТ го лиценцира своето новинарство од светска класа…