Shembull i mësimit të makinerisë me Python: Regresioni linear i shumëfishtë

Regresioni linear i shumëfishtë ndryshon nga regresioni i thjeshtë linear në atë që zbatohet në disa veçori, dhe jo vetëm në një. Në këtë shembull të mësimit të makinerive do të shohim një regresion të shumëfishtë linear, pra me më shumë veçori në hyrje.

Përpara se të vazhdoni, ju rekomandoj të lexoni tre artikuj të shkurtër, ku do të gjeni disa definocionet:

1. Çfarë është Learning Machine, për çfarë bëhet fjalë dhe qëllimet e tij
2. Llojet e Mësimit të Makinerisë
3. Shembull i mësimit të makinerisë me Python: Regresioni i thjeshtë linear

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

---