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.
Wir ordnen die Zielwerte der Variable y und die Merkmalswerte der Variable X zu und erstellen ein Streudiagramm.
1234X = 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:
123beta_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 ein Iterator (z. B. Liste, NumPy-Array oder pandas Series) zwei Elemente enthält, entspricht
a, b = my_iterator
dem folgenden:
a = my_iterator[0]
b = my_iterator[1]
Da die Rückgabe der Funktion polyfit() ein NumPy-Array mit zwei Werten ist, kann dies so verwendet werden.
Durchführung von Vorhersagen
Nun kann die Linie geplottet und neue Variablen mithilfe der Parameter vorhergesagt werden.
123plt.scatter(X,y) # Build a scatter plot plt.plot(X, beta_0 + beta_1 * X, color='red') # Plot the line plt.show()
Nachdem die Parameter bestimmt wurden, kann die Gleichung der linearen Regression zur Vorhersage neuer Werte verwendet werden.
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 bestimmen. 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
Großartig!
Completion Rate verbessert auf 5.26Erstellung 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.
Wir ordnen die Zielwerte der Variable y und die Merkmalswerte der Variable X zu und erstellen ein Streudiagramm.
1234X = 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:
123beta_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 ein Iterator (z. B. Liste, NumPy-Array oder pandas Series) zwei Elemente enthält, entspricht
a, b = my_iterator
dem folgenden:
a = my_iterator[0]
b = my_iterator[1]
Da die Rückgabe der Funktion polyfit() ein NumPy-Array mit zwei Werten ist, kann dies so verwendet werden.
Durchführung von Vorhersagen
Nun kann die Linie geplottet und neue Variablen mithilfe der Parameter vorhergesagt werden.
123plt.scatter(X,y) # Build a scatter plot plt.plot(X, beta_0 + beta_1 * X, color='red') # Plot the line plt.show()
Nachdem die Parameter bestimmt wurden, kann die Gleichung der linearen Regression zur Vorhersage neuer Werte verwendet werden.
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 bestimmen. Einige Bibliotheken können jedoch auch zusätzliche Informationen bereitstellen.
Danke für Ihr Feedback!
