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

  1. 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.
  2. 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:

  1. Рассчитать n
  2. Вычислите среднее значение массива x и y numpy.
  3. 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).
  4. Вычислить коэффициенты регрессии: количество или значение, на которое необходимо переместить линию регрессии.

Функция2: это функция для построения графика на основе вычисленных значений.

Шаги включают:

  1. 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:

  1. Соберите необходимые наборы данных, т.е. х и у.
  2. Рассчитать требуемые коэффициенты, т.е. значение перемещения линии регрессии как по оси x, так и по оси y.
  3. 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:

  1. Реален ли искусственный интеллект или это просто шумиха этого десятилетия ??
  2. Искусственный интеллект: определение, типы, примеры, технологии
  3. Искусственный интеллект против машинного обучения
  4. Почему машинное обучение для достижения искусственного интеллекта? «Потребность в машинном обучении
  5. Типы и алгоритмы машинного обучения
  6. 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.