Përpara se të vazhdoni, ju rekomandoj të lexoni tre artikuj të shkurtër, ku do të gjeni disa definocionet:
Meqenëse do të përdorim Python, nëse nuk e keni ende në kompjuterin tuaj, lexoni më tej Si të instaloni Python në Microsoft Windows
Për regresionin e shumëfishtë linear ne do të përdorim gjithashtu scikit-mësuar, pasi është jashtëzakonisht fleksibël, duke e bërë gjithçka të vlefshme atë që pamë nëshembull i regresionit të thjeshtë linear.
Më pas do të kemi metodën në dispozicion i aftë për trajnimin dhe metodën parashikoj për parashikim. Ne gjithashtu do të përdorim përsëri klasën Regresionit linear.
Gjithashtu me funksionin make_regresion ne do të ndërtojmë një grup të dhënash testimi bazuar në parametrat që do të ofrojmë. Në këtë mënyrë struktura bazë është e gatshme të bëjë Regresionin Linear. Ne do të kujtojmë make_regresion duke përfituar nga karakteristikat e shumëfishta të caktimit të Python, si më poshtë:
x, y = make_regresion (n_mostra = 500, n_karakteristika = 5, zhurma = 10)
Pra, grupi i të dhënave do të ketë karakteristikat e mëposhtme: 500 vlera, të organizuara në 5 veçori, dhe shtojmë një zhurmë, një ndryshim gabimi prej 10 për të mos bërë që grupi i të dhënave të duket shumë i rregullt.
Tani le ta ndajmë grupin e të dhënave në një pjesë të dobishme për trajnim dhe një pjesë të dobishme për testim. Mund të mendonim për 80 mostra për testim dhe pjesën tjetër për trajnim. Për ta bërë këtë ne përdorim funksionin treni_test_ndarje që ndan dy listat x e y in x_treni, y_trajnimi e x_test, y_test
nga sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = treni_test_ndarje (x, y, madhësia e testit = 80)
si rezultat do të kemi
((420, 5), (80, 5), (420,), (80,))
Tani vazhdojmë me regresionin i cili ndodh në mënyrë krejtësisht analoge me regresionin e thjeshtë linear, por pa Reshape sepse në këtë rast make_regresion.
nga importi sklearn.linear_model Regresioni Linear
model = Regresion linear ()
model.fit (x_train, y_train)
Më poshtë kemi parametrat e llogaritur për regresionin, së bashku me koeficientët dhe ndërprerjen
modeli.koefi_ merr vlerën e mëposhtme
grup ([90.65, 23.45, 66.43, 42.54, 24.35])
model.ndërprerja_ merr vlerën e mëposhtme
-0.4564
Me modelin e trajnuar mund të bëjmë parashikimin e të dhënave të testit dhe ta vlerësojmë atë me disa metrikë:
parashikim = model.parashikoj (x_test)
gabimi_mesatar_absolut (y_test, parashikim)
6.964857
re_rezultati (y_test, parashikim)
0.9876
Edhe pse kemi përdorur të dhëna për qëllime edukative, rezultatet tregojnë se modeli ynë funksionon. Ai ka qenë i arsimuar, është i aftë të bëjë parashikime dhe gjithashtu ka regjistruar një vlerë për metrikën R-katrore praktikisht në nivelin maksimal.
Ercole Palmeri: I varur nga inovacioni
Coveware nga Veeam do të vazhdojë të ofrojë shërbime të reagimit ndaj incidenteve të zhvatjes kibernetike. Coveware do të ofrojë aftësi mjeko-ligjore dhe riparimi…
Mirëmbajtja parashikuese po revolucionon sektorin e naftës dhe gazit, me një qasje inovative dhe proaktive për menaxhimin e impiantit.…
CMA e Mbretërisë së Bashkuar ka lëshuar një paralajmërim për sjelljen e Big Tech në tregun e inteligjencës artificiale. Aty…
Dekreti "Case Green", i formuluar nga Bashkimi Evropian për të rritur efiçencën energjetike të ndërtesave, ka përfunduar procesin e tij legjislativ me…