Erstellung Einer Linearen Regression Mit NumPy
Swipe um das Menü anzuzeigen
Sie wissen bereits, was eine einfache lineare Regression ist und wie man die am besten passende Gerade für die Daten findet. Nun werden alle Schritte zum Aufbau einer linearen Regression für einen realen Datensatz durchlaufen.
Laden von Daten
Wir haben eine Datei, simple_height_data.csv, mit den Daten aus unseren Beispielen. Wir laden die Datei und sehen sie uns an:
123456import pandas as pd file_link = 'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/simple_height_data.csv' df = pd.read_csv(file_link) # Read the file print(df.head()) # Print the first 5 instances from a dataset
Das Datenset enthält zwei Spalten: Die erste ist 'Father', das Eingabemerkmal, und die zweite ist 'Height', unsere Zielvariable.
Die Zielwerte werden der Variablen y und die Merkmalswerte der Variablen X zugewiesen. Anschließend wird ein Streudiagramm erstellt.
123456import matplotlib.pyplot as plt X = df['Father'] # Assign the feature y = df['Height'] # Assign the target plt.scatter(X,y) # Build scatterplot plt.show()
Parameterermittlung
NumPy bietet eine praktische Funktion, um die Parameter der linearen Regression zu bestimmen.
Lineare Regression ist eine Polynomregression vom Grad 1 (auf Polynomregression gehen wir in späteren Abschnitten ein). Deshalb muss deg=1 gesetzt werden, um die Parameter für die lineare Regression zu erhalten.
Hier ein Beispiel:
12345import numpy as np beta_1, beta_0 = np.polyfit(X, y, 1) # Get the parameters print('beta_0 is', beta_0) print('beta_1 is', beta_1)
Falls Sie mit der Syntax beta_1, beta_0 = np.polyfit(X,y,1) nicht vertraut sind: Dies wird als Unpacking bezeichnet. Wenn Sie einen Iterator haben (z. B. eine Liste, ein NumPy-Array oder eine pandas-Serie) mit zwei Elementen, dann ist das Schreiben von
a, b = my_iterator
das Gleiche wie
a = my_iterator[0]
b = my_iterator[1]
Da die Rückgabe der Funktion polyfit() ein NumPy-Array mit zwei Werten ist, dürfen wir dies so verwenden.
Erstellen der Vorhersagen
Nun können wir die Linie zeichnen und neue Variablen mit den Parametern vorhersagen.
123plt.scatter(X,y) # Build a scatter plot plt.plot(X, beta_0 + beta_1 * X, color='red') # Plot the line plt.show()
Da wir nun die Parameter haben, können wir die Gleichung der linearen Regression verwenden, um neue Werte vorherzusagen.
123X_new = np.array([65, 70, 75]) # Feature values of new instances y_pred = beta_0 + beta_1 * X_new # Predict the target print('Predicted y: ', y_pred)
Es ist also ziemlich einfach, die Parameter der linearen Regression zu erhalten. Einige Bibliotheken können jedoch auch zusätzliche Informationen bereitstellen.
Danke für Ihr Feedback!
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Erstellung Einer Linearen Regression Mit NumPy
Sie wissen bereits, was eine einfache lineare Regression ist und wie man die am besten passende Gerade für die Daten findet. Nun werden alle Schritte zum Aufbau einer linearen Regression für einen realen Datensatz durchlaufen.
Laden von Daten
Wir haben eine Datei, simple_height_data.csv, mit den Daten aus unseren Beispielen. Wir laden die Datei und sehen sie uns an:
123456import pandas as pd file_link = 'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/simple_height_data.csv' df = pd.read_csv(file_link) # Read the file print(df.head()) # Print the first 5 instances from a dataset
Das Datenset enthält zwei Spalten: Die erste ist 'Father', das Eingabemerkmal, und die zweite ist 'Height', unsere Zielvariable.
Die Zielwerte werden der Variablen y und die Merkmalswerte der Variablen X zugewiesen. Anschließend wird ein Streudiagramm erstellt.
123456import matplotlib.pyplot as plt X = df['Father'] # Assign the feature y = df['Height'] # Assign the target plt.scatter(X,y) # Build scatterplot plt.show()
Parameterermittlung
NumPy bietet eine praktische Funktion, um die Parameter der linearen Regression zu bestimmen.
Lineare Regression ist eine Polynomregression vom Grad 1 (auf Polynomregression gehen wir in späteren Abschnitten ein). Deshalb muss deg=1 gesetzt werden, um die Parameter für die lineare Regression zu erhalten.
Hier ein Beispiel:
12345import numpy as np beta_1, beta_0 = np.polyfit(X, y, 1) # Get the parameters print('beta_0 is', beta_0) print('beta_1 is', beta_1)
Falls Sie mit der Syntax beta_1, beta_0 = np.polyfit(X,y,1) nicht vertraut sind: Dies wird als Unpacking bezeichnet. Wenn Sie einen Iterator haben (z. B. eine Liste, ein NumPy-Array oder eine pandas-Serie) mit zwei Elementen, dann ist das Schreiben von
a, b = my_iterator
das Gleiche wie
a = my_iterator[0]
b = my_iterator[1]
Da die Rückgabe der Funktion polyfit() ein NumPy-Array mit zwei Werten ist, dürfen wir dies so verwenden.
Erstellen der Vorhersagen
Nun können wir die Linie zeichnen und neue Variablen mit den Parametern vorhersagen.
123plt.scatter(X,y) # Build a scatter plot plt.plot(X, beta_0 + beta_1 * X, color='red') # Plot the line plt.show()
Da wir nun die Parameter haben, können wir die Gleichung der linearen Regression verwenden, um neue Werte vorherzusagen.
123X_new = np.array([65, 70, 75]) # Feature values of new instances y_pred = beta_0 + beta_1 * X_new # Predict the target print('Predicted y: ', y_pred)
Es ist also ziemlich einfach, die Parameter der linearen Regression zu erhalten. Einige Bibliotheken können jedoch auch zusätzliche Informationen bereitstellen.
Danke für Ihr Feedback!
