Пример за машинско учење со Python: Повеќекратна линеарна регресија

Повеќекратната линеарна регресија се разликува од едноставната линеарна регресија по тоа што се применува на повеќе карактеристики, наместо само на една. Во овој пример на машинско учење ќе видиме повеќекратна линеарна регресија, затоа со повеќе функции во влезот.

Пред да продолжите, препорачувам да прочитате три кратки написи, каде што ќе најдете неколку defiпоими:

1. Што е машинско учење, за што се работи и неговите цели
2. Видови на машинско учење
3. Пример за машинско учење со Python: Едноставна линеарна регресија

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

---