Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Oppiskele Lineaarisen Regressiomallin Rakentaminen NumPyn Avulla | Yksinkertainen Lineaarinen Regressio
Lineaarinen Regressio Pythonilla

bookLineaarisen Regressiomallin Rakentaminen NumPyn Avulla

Tiedät jo, mitä yksinkertainen lineaarinen regressio on ja kuinka löytää parhaiten dataan sopiva suora. Käyt nyt läpi kaikki vaiheet lineaarisen regression rakentamiseksi oikealle aineistolle.

Datan lataaminen

Meillä on tiedosto, simple_height_data.csv, jossa on esimerkeissämme käytetty data. Lataamme tiedoston ja tarkastelemme sitä:


              
123456

            
import 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
copy

Joukossa on kaksi saraketta: ensimmäinen on 'Father', joka on syöteominaisuus, ja toinen on 'Height', joka on meidän kohdemuuttuja.

Kohdemuuttujan arvot asetetaan muuttujaan y ja ominaisuuden arvot muuttujaan X, ja rakennetaan hajontakuvio.


              
12345678910

            
import pandas as pd
import matplotlib.pyplot as plt

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

X = df['Father']	# Assign the feature
y = df['Height']	# Assign the target
plt.scatter(X,y)	# Build scatterplot
plt.show()
copy

Parametrien etsiminen

NumPy tarjoaa kätevän funktion lineaarisen regressiomallin parametrien löytämiseen.

Lineaarinen regressio on polynomiregressio, jonka aste on 1 (käsittelemme polynomiregressiota myöhemmissä osioissa). Siksi meidän täytyy asettaa deg=1 saadaksemme lineaarisen regression parametrit.
Tässä on esimerkki:


              
12345678910

            
import pandas as pd
import numpy as np

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 files
X, y = df['Father'], df['Height']	# Assign the variables

beta_1, beta_0 = np.polyfit(X, y, 1)	# Get the parameters
print('beta_0 is', beta_0)
print('beta_1 is', beta_1)
copy
Note
Huomio

Jos et tunne syntaksia beta_1, beta_0 = np.polyfit(X,y,1), sitä kutsutaan purkamiseksi (unpacking). Jos sinulla on iteroitava (esim. lista, NumPy-taulukko tai pandas-sarja), jossa on kaksi alkiota, kirjoittaminen

a, b = my_iterator

on sama kuin

a = my_iterator[0]
b = my_iterator[1]

Koska polyfit()-funktion palauttama arvo on NumPy-taulukko, jossa on kaksi arvoa, voimme tehdä näin.

Ennusteiden tekeminen

Nyt voimme piirtää suoran ja ennustaa uusia muuttujia parametrien avulla.


              
123456789101112

            
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

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
X, y = df['Father'], df['Height']	# Assign the variables
beta_1, beta_0 = np.polyfit(X, y, 1)	# Get the parameters

plt.scatter(X,y)	# Build a scatter plot
plt.plot(X, beta_0 + beta_1 * X, color='red')	# Plot the line
plt.show()
copy

Nyt kun meillä on parametrit, voimme käyttää lineaarisen regressioyhtälöä uusien arvojen ennustamiseen.


              
1234567891011

            
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
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
X, y = df['Father'], df['Height']	# Assign the variables
beta_1, beta_0 = np.polyfit(X, y, 1)	# Get the parameters

X_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)
copy

Lineaarisen regressiomallin parametrien löytäminen on melko helppoa. Jotkin kirjastot voivat kuitenkin tarjota myös lisätietoja.

question mark

Yksinkertaisen lineaarisen regression parametrit voidaan löytää NumPyn funktiolla:

Select the correct answer

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 1. Luku 3

Kysy tekoälyä

expand

Kysy tekoälyä

ChatGPT

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Awesome!

Completion rate improved to 5.26

bookLineaarisen Regressiomallin Rakentaminen NumPyn Avulla

Pyyhkäise näyttääksesi valikon

Tiedät jo, mitä yksinkertainen lineaarinen regressio on ja kuinka löytää parhaiten dataan sopiva suora. Käyt nyt läpi kaikki vaiheet lineaarisen regression rakentamiseksi oikealle aineistolle.

Datan lataaminen

Meillä on tiedosto, simple_height_data.csv, jossa on esimerkeissämme käytetty data. Lataamme tiedoston ja tarkastelemme sitä:


              
123456

            
import 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
copy

Joukossa on kaksi saraketta: ensimmäinen on 'Father', joka on syöteominaisuus, ja toinen on 'Height', joka on meidän kohdemuuttuja.

Kohdemuuttujan arvot asetetaan muuttujaan y ja ominaisuuden arvot muuttujaan X, ja rakennetaan hajontakuvio.


              
12345678910

            
import pandas as pd
import matplotlib.pyplot as plt

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

X = df['Father']	# Assign the feature
y = df['Height']	# Assign the target
plt.scatter(X,y)	# Build scatterplot
plt.show()
copy

Parametrien etsiminen

NumPy tarjoaa kätevän funktion lineaarisen regressiomallin parametrien löytämiseen.

Lineaarinen regressio on polynomiregressio, jonka aste on 1 (käsittelemme polynomiregressiota myöhemmissä osioissa). Siksi meidän täytyy asettaa deg=1 saadaksemme lineaarisen regression parametrit.
Tässä on esimerkki:


              
12345678910

            
import pandas as pd
import numpy as np

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 files
X, y = df['Father'], df['Height']	# Assign the variables

beta_1, beta_0 = np.polyfit(X, y, 1)	# Get the parameters
print('beta_0 is', beta_0)
print('beta_1 is', beta_1)
copy
Note
Huomio

Jos et tunne syntaksia beta_1, beta_0 = np.polyfit(X,y,1), sitä kutsutaan purkamiseksi (unpacking). Jos sinulla on iteroitava (esim. lista, NumPy-taulukko tai pandas-sarja), jossa on kaksi alkiota, kirjoittaminen

a, b = my_iterator

on sama kuin

a = my_iterator[0]
b = my_iterator[1]

Koska polyfit()-funktion palauttama arvo on NumPy-taulukko, jossa on kaksi arvoa, voimme tehdä näin.

Ennusteiden tekeminen

Nyt voimme piirtää suoran ja ennustaa uusia muuttujia parametrien avulla.


              
123456789101112

            
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

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
X, y = df['Father'], df['Height']	# Assign the variables
beta_1, beta_0 = np.polyfit(X, y, 1)	# Get the parameters

plt.scatter(X,y)	# Build a scatter plot
plt.plot(X, beta_0 + beta_1 * X, color='red')	# Plot the line
plt.show()
copy

Nyt kun meillä on parametrit, voimme käyttää lineaarisen regressioyhtälöä uusien arvojen ennustamiseen.


              
1234567891011

            
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
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
X, y = df['Father'], df['Height']	# Assign the variables
beta_1, beta_0 = np.polyfit(X, y, 1)	# Get the parameters

X_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)
copy

Lineaarisen regressiomallin parametrien löytäminen on melko helppoa. Jotkin kirjastot voivat kuitenkin tarjota myös lisätietoja.

question mark

Yksinkertaisen lineaarisen regression parametrit voidaan löytää NumPyn funktiolla:

Select the correct answer

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 1. Luku 3
some-alt