ਮਸ਼ੀਨ ਸਿੱਖਿਆ - ਲਾਈਨਰ ਰੀਗ੍ਰੀਸ਼ਨ
- ਪਿਛਲਾ ਪੰਨਾ ਸਕੈਟਰ ਪਲੋਟ
- ਅਗਲਾ ਪੰਨਾ ਬਹੁਮੁੱਖੀ ਰੀਗ੍ਰੀਸ਼ਨ
回归
当您尝试找到变量之间的关系时，会用到术语“回归”（regression）。
在机器学习和统计建模中，这种关系用于预测未来事件的结果。
线性回归
线性回归使用数据点之间的关系在所有数据点之间画一条直线。
这条线可以用来预测未来的值。
在机器学习中，预测未来非常重要。
工作原理
Python 提供了一些方法来查找数据点之间的关系并绘制线性回归线。我们将向您展示如何使用这些方法而不是通过数学公式。
在下面的示例中，x 轴表示车龄，y 轴表示速度。我们已经记录了 13 辆汽车通过收费站时的车龄和速度。让我们看看我们收集的数据是否可以用于线性回归：
ਇੰਸਟੈਂਸ
首先绘制散点图：
import matplotlib.pyplot as plt x = [5,7,8,7,2,17,2,9,4,11,12,9,6] y = [99,86,87,88,111,86,103,87,94,78,77,85,86] plt.scatter(x, y) plt.show()
ਨਤੀਜਾ:
ਇੰਸਟੈਂਸ
导入 scipy 并绘制线性回归线：
import matplotlib.pyplot as plt from scipy import stats x = [5,7,8,7,2,17,2,9,4,11,12,9,6] y = [99,86,87,88,111,86,103,87,94,78,77,85,86] slope, intercept, r, p, std_err = stats.linregress(x, y) def myfunc(x): return slope * x + intercept mymodel = list(map(myfunc, x)) plt.scatter(x, y) plt.plot(x, mymodel) plt.show()
ਨਤੀਜਾ:
例子解释
导入所需模块：
import matplotlib.pyplot as plt from scipy import stats
创建表示 x 和 y 轴值的数组：
x = [5,7,8,7,2,17,2,9,4,11,12,9,6] y = [99,86,87,88,111,86,103,87,94,78,77,85,86]
执行一个方法，该方法返回线性回归的一些重要键值：
slope, intercept, r, p, std_err = stats.linregress(x, y)
创建一个使用 slope 和 intercept 值的函数返回新值。这个新值表示相应的 x 值将在 y 轴上放置的位置：
def myfunc(x): return slope * x + intercept
通过函数运行 x 数组的每个值。这将产生一个新的数组，其中的 y 轴具有新值：
mymodel = list(map(myfunc, x))
绘制原始散点图：
plt.scatter(x, y)
绘制线性回归线：
plt.plot(x, mymodel)
显示图：
plt.show()
R-Squared
重要的是要知道 x 轴的值和 y 轴的值之间的关系有多好，如果没有关系，则线性回归不能用于预测任何东西。
该关系用一个称为 r 平方（r-squared）的值来度量。
r 平方值的范围是 0 到 1，其中 0 表示不相关，而 1 表示 100％ 相关。
Python 和 Scipy 模块将为您计算该值，您所要做的就是将 x 和 y 值提供给它：
ਇੰਸਟੈਂਸ
我的数据在线性回归中的拟合度如何？
from scipy import stats x = [5,7,8,7,2,17,2,9,4,11,12,9,6] y = [99,86,87,88,111,86,103,87,94,78,77,85,86] slope, intercept, r, p, std_err = stats.linregress(x, y) print(r)
注释：结果 -0.76 表明存在某种关系，但不是完美的关系，但它表明我们可以在将来的预测中使用线性回归。
预测未来价值
现在，我们可以使用收集到的信息来预测未来的值。
例如：让我们尝试预测一辆拥有 10 年历史的汽车的速度。
为此，我们需要与上例中相同的 myfunc() 函数：
def myfunc(x): return slope * x + intercept
ਇੰਸਟੈਂਸ
预测一辆有 10年车龄的汽车的速度：
from scipy import stats x = [5,7,8,7,2,17,2,9,4,11,12,9,6] y = [99,86,87,88,111,86,103,87,94,78,77,85,86] slope, intercept, r, p, std_err = stats.linregress(x, y) def myfunc(x): return slope * x + intercept speed = myfunc(10) print(speed)
ਇਹ ਮੁੱਲ 85.6 ਹੈ, ਅਸੀਂ ਚਿੱਤਰ ਤੋਂ ਵੀ ਪੜ੍ਹ ਸਕਦੇ ਹਾਂ:
ਬੁਰੀ ਫਿਟਿੰਗ?
ਅਸੀਂ ਇੱਕ ਉਦਾਹਰਣ ਬਣਾਓ, ਜਿਸ ਵਿੱਚ ਲਿਨੀਅਰ ਰੀਗ੍ਰੇਸ਼ਨ ਭਵਿੱਖੀ ਮੁੱਲਾਂ ਨੂੰ ਭਵਿੱਖ ਦੇ ਬਿਹਤਰ ਮੁੱਦਾ ਨਹੀਂ ਹੈ。
ਇੰਸਟੈਂਸ
ਐਕਸ ਅਤੇ ਵਿਆਪਕ ਅਕਸ਼ਾਂ ਦੇ ਇਹ ਮੁੱਲ ਲਿਨੀਅਰ ਰੀਗ੍ਰੀਸ਼ਨ ਦੀ ਫਿਟਨੈਸ ਬਹੁਤ ਘੱਟ ਕਰਦੇ ਹਨ:}
import matplotlib.pyplot as plt from scipy import stats x = [89,43,36,36,95,10,66,34,38,20,26,29,48,64,6,5,36,66,72,40] y = [21,46,3,35,67,95,53,72,58,10,26,34,90,33,38,20,56,2,47,15] slope, intercept, r, p, std_err = stats.linregress(x, y) def myfunc(x): return slope * x + intercept mymodel = list(map(myfunc, x)) plt.scatter(x, y) plt.plot(x, mymodel) plt.show()
ਨਤੀਜਾ:
ਅਤੇ r-ਸਕਵੇਰਡ ਮੁੱਲ?
ਇੰਸਟੈਂਸ
ਤੁਸੀਂ ਇੱਕ ਬਹੁਤ ਘੱਟ ਰ-ਸਕਵੇਰਡ ਮੁੱਲ ਮਿਲਿਆ ਹੋਵੇਗਾ。
import numpy from scipy import stats x = [89,43,36,36,95,10,66,34,38,20,26,29,48,64,6,5,36,66,72,40] y = [21,46,3,35,67,95,53,72,58,10,26,34,90,33,38,20,56,2,47,15] slope, intercept, r, p, std_err = stats.linregress(x, y) print(r)
ਨਤੀਜਾ: 0.013 ਕਾਫੀ ਘੱਟ ਸਬੰਧ ਦਿਸਾਈ ਹੈ ਅਤੇ ਇਹ ਦਿਸਾਈ ਹੈ ਕਿ ਇਹ ਡਾਟਾ ਸੈੱਟ ਲਿਨੀਅਰ ਰੀਗ੍ਰੀਸ਼ਨ ਲਈ ਕਾਫੀ ਸਹੀ ਨਹੀਂ ਹੈ。
- ਪਿਛਲਾ ਪੰਨਾ ਸਕੈਟਰ ਪਲੋਟ
- ਅਗਲਾ ਪੰਨਾ ਬਹੁਮੁੱਖੀ ਰੀਗ੍ਰੀਸ਼ਨ
