Điều kiện tiên quyết. Hồi quy tuyến tính Hồi quy tuyến tính là một thuật toán học máy dựa trên học có giám sát. Nó thực hiện một nhiệm vụ hồi quy. Mô hình hồi quy một giá trị dự đoán mục tiêu dựa trên các biến độc lập. Nó chủ yếu được sử dụng để tìm ra mối quan hệ giữa các biến và dự báo. Các mô hình hồi quy khác nhau khác nhau dựa trên – loại mối quan hệ giữa các biến phụ thuộc và biến độc lập, chúng đang xem xét và số lượng biến độc lập đang được sử dụng. Bài viết này sẽ trình bày cách sử dụng các thư viện Python khác nhau để triển khai hồi quy tuyến tính trên một tập dữ liệu nhất định. Chúng tôi sẽ chứng minh một mô hình tuyến tính nhị phân vì điều này sẽ dễ hình dung hơn. Trong phần trình diễn này, mô hình sẽ sử dụng Gradient Descent để tìm hiểu. Bạn có thể tìm hiểu về nó ở đây.
Bước 1. Nhập tất cả các thư viện cần thiết
Python3
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from import0import import2
from import4import import6
from import8import numpy as np0
Bước 2. Đọc bộ dữ liệu Bạn có thể tải xuống bộ dữ liệu
Python3
numpy as np1numpy as np2 numpy as np3____14numpy as np5
numpy as np6numpy as np2 numpy as np8numpy as np9import0import1import2
import3
import4
import5numpy as np2 import7import8import0pandas as pd0pandas as pd1
pandas as pd2
pandas as pd3
đầu ra
Bước 3. Khám phá phân tán dữ liệu
Python3
pandas as pd4
pandas as pd5numpy as np2_______37pandas as pd8numpy as np2import0import1numpy as np2 import3numpy as np2 import5import6numpy as np2 import8numpy as np5
đầu ra.
Bước 4. Làm sạch dữ liệu
Python3
seaborn as sns0
seaborn as sns1numpy as np2____53____54numpy as np2 seaborn as sns6numpy as np5
Bước 5. Đào tạo mô hình của chúng tôi
Python3
seaborn as sns8numpy as np2 import0_______08import2import3import4import0import4numpy as np5
import8numpy as np2 import0pandas as pd0import2import3import4import0import4numpy as np5
import3
matplotlib.pyplot as plt9
from0
from1
from2numpy as np2 seaborn as sns6____15
import3
from7
from8numpy as np2 import00numpy as np2 import02numpy as np5
import3
import05
import06numpy as np2 import08
import3
import10
import11import12
đầu ra
Bước 6. Khám phá kết quả của chúng tôi
Python3
import13numpy as np2 import15
import16numpy as np2import18numpy as np5
import20numpy as np2____022numpy as np5
import3
import25
import26
đầu ra
Điểm chính xác thấp của mô hình của chúng tôi cho thấy rằng mô hình hồi quy của chúng tôi không phù hợp lắm với dữ liệu hiện có. Điều này cho thấy dữ liệu của chúng tôi không phù hợp cho hồi quy tuyến tính. Nhưng đôi khi, một tập dữ liệu có thể chấp nhận một biến hồi quy tuyến tính nếu chúng ta chỉ xem xét một phần của nó. Hãy để chúng tôi kiểm tra khả năng đó.
Bước 7. Làm việc với một tập dữ liệu nhỏ hơn
Python3
import27numpy as np2 import29____030pandas as pd1
import32
import33
pandas as pd5numpy as np2____37pandas as pd8numpy as np2import0import1numpy as np2 import42
import43import44numpy as np2 import5import6numpy as np2 import8numpy as np5
đầu ra
Chúng ta đã có thể thấy rằng 500 hàng đầu tiên tuân theo mô hình tuyến tính. Tiếp tục với các bước tương tự như trước.
Python3
import51numpy as np2____53____54numpy as np2 seaborn as sns6numpy as np5
import3
seaborn as sns8numpy as np2 import61import8import2import3import4import0import4numpy as np5
import8numpy as np2 import61pandas as pd0import2import3import4import0import4numpy as np5
import3
import80numpy as np2 seaborn as sns6____15
from8numpy as np2 import00numpy as np2 import02numpy as np5
import3
import06numpy as np2 import08
import10
import11import12
đầu ra
Python3
import13numpy as np2 import15
import16numpy as np2import18numpy as np5
import20numpy as np2____022numpy as np5
import3
import25
đầu ra
Bước 8. Số liệu đánh giá hồi quy
Cuối cùng, chúng tôi kiểm tra hiệu suất của mô hình Hồi quy tuyến tính với sự trợ giúp của các số liệu đánh giá. Đối với các thuật toán Hồi quy, chúng tôi sử dụng rộng rãi các chỉ số mean_absolute_error và mean_squared_error để kiểm tra hiệu suất của mô hình.
Python3
from numpy as np11import numpy as np13
import3
numpy as np15numpy as np2 numpy as np17numpy as np2numpy as np19numpy as np2numpy as np21
numpy as np22
numpy as np23numpy as np2 numpy as np25numpy as np2numpy as np19numpy as np2numpy as np21numpy as np30
numpy as np31numpy as np2 numpy as np25numpy as np2numpy as np19numpy as np2numpy as np37numpy as np2numpy as np39numpy as np5