Пример реализации машинного обучения за 5 минут. Реализуйте модель множественной линейной регрессии на Python (часть 3).
Предварительное условие: Линейная регрессия (часть 1)
Поскольку теория обсуждалась ранее, давайте теперь начнем с фактической реализации. Доступны разные наборы данных, но давайте реализуем их с нашими собственными наборами данных. Простая линейная регрессия имеет зависимые переменные (Y) и независимые переменные (X).
Шаг 1. Подготовьте наборы данных
- X - Площадь дома от 1 000 до 10 000 квадратных футов.
- Y - Стоимость дома от 300к до 1200к.
Итак, наш набор данных готов, и поскольку это простая линейная регрессия, у нас есть только однофакторный размер дома, влияющий на цена дома. В случае множественной линейной регрессии у нас было бы больше факторов, влияющих на цену дома, таких как местонахождение, количество комнат и т. Д. (Что будет реализовано в следующей части линейной регрессии, то есть в части 3).
Теперь нам нужно найти линию регрессии (линию, которая лучше всего подходит на приведенном выше графике разброса, чтобы мы могли предсказать ответ y (т. Е. . стоимость дома) для любых новых значений x (т. е. размера дома).
Шаг 2. Приступим к кодированию !!!
Импортируйте необходимые библиотеки
- Numpy: NumPy - это библиотека для языка программирования Python. Мы используем его в машинном обучении, потому что в машинном обучении нам приходится иметь дело с большими данными, а это быстрее, чем обычный массив. (Привыкайте к множеству массивов, мы будем использовать его везде). Для получения инструкций по установке щелкните здесь.
- Matplotlib: Matplotlib - это библиотека построения графиков для языка программирования Python и его расширения числовой математики NumPy. В основном это помогает при построении графиков.
Здесь мы использовали «numpy as np» и «matplotlib.pyplot as plt», это сделано для того, чтобы переименовать огромные имена во что-то меньшее (простота). Вместо того, чтобы записывать 1. numpy.array () в краткой форме как np.array ()
2. matplotlib.pyplot.plot (x, y) сокращенная форма как plt.plot (x, y), это для простоты кодирования.
Как узнать, правильно ли вы установили ?? запустите файл с двумя вышеупомянутыми строками, если ошибок не обнаружено, все в порядке.
Определите необходимые функции
Function1: это функция для определения или оценки коэффициентов, в которых значения x и y передаются в эту функцию.
Шаги включают:
- Рассчитать n
- Вычислите среднее значение массива x и y numpy.
- Расчет перекрестного отклонения и отклонения: просто помните, что здесь мы вычисляем SS_xy и SS_xx, которые являются суммой квадратов ошибок. Как объяснялось в предыдущем посте - Линейная регрессия (часть 1).
- Вычислить коэффициенты регрессии: количество или значение, на которое необходимо переместить линию регрессии.
Функция2: это функция для построения графика на основе вычисленных значений.
Шаги включают:
- Постройте точки: «plt.scatter» отображает точки на графике, где
- «x и y» - это положения точек на графике.
- цвет - это цвет нанесенных точек, измените его на красный, зеленый или оранжевый и поиграйте, чтобы найти больше возможных цветов нажмите здесь.
- маркер - это форма точек в виде круга или любых других символов для разных типов маркеров найди здесь.
2. Предскажите значение линии регрессии: возьмите минимально возможную ошибку, здесь определяется линия регрессии.
3. Постройте линию регрессии.
4. Здесь помещаются метки, а не только x и y, т.е. здесь на графике помещаются названия x и y.
5. Покажите построенный график
Функция3: основная функция.
Шаги включают:
- Соберите необходимые наборы данных, т.е. х и у.
- Рассчитать требуемые коэффициенты, т.е. значение перемещения линии регрессии как по оси x, так и по оси y.
- Постройте график
Наконец, напишите основную и вызовите основную функцию:
Итак, окончательный результат,
Итак, если спросить цену дома размером 7 тыс. Кв. Футов, ответ будет около 920 тыс., Где реальная стоимость будет около 900 тыс., Поэтому ошибка составит 20 тыс.
Найдите код на GitHub по ссылке ниже:
https://github.com/chethangn/SimpleLinearRegression
Дополнительные ссылки:
- Реален ли искусственный интеллект или это просто шумиха этого десятилетия ??
- Искусственный интеллект: определение, типы, примеры, технологии
- Искусственный интеллект против машинного обучения
- Почему машинное обучение для достижения искусственного интеллекта? «Потребность в машинном обучении
- Типы и алгоритмы машинного обучения
- Линейная регрессия, часть -1
Затем у меня есть Линейная регрессия (часть 3), где мы реализуем множественную линейную регрессию.
Не забудьте подписаться на меня в medium, linkedin, twitter, Instagram, чтобы получать больше обновлений. А также, если вам понравилась эта статья, обязательно похлопайте и поделитесь ею.
Присоединяйтесь к нашему сообществу WhatsApp здесь.