Lära Bygga Linjär Regression

Du känner redan till vad enkel linjär regression är och hur man hittar den linje som bäst passar datan. Nu kommer du att gå igenom alla steg för att bygga en linjär regression för en verklig datamängd.

Laddar data

Vi har en fil, simple_height_data.csv, med data från våra exempel. Vi laddar filen och tittar på den:


              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

Datasettet har alltså två kolumner: den första är 'Father', vilket är inmatningsfunktionen, och den andra är 'Height', vilket är vår målvariabel.

Vi tilldelar våra målvariabler till variabeln y och funktionsvärden till X och skapar ett spridningsdiagram.


              123456
            
import matplotlib.pyplot as plt

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

Hitta parametrar

För att implementera linjär regression i Scikit-learn används klassen LinearRegression.

LinearRegression(fit_intercept=True, copy_X=True, n_jobs=None, positive=False)

Parametrar

Klassen LinearRegression har flera parametrar som styr hur modellen anpassas.

fit_intercept (standard=True): Avgör om interceptet (bias) ska beräknas för denna modell. Om satt till False används inget intercept i beräkningarna (datan förväntas vara centrerad).
copy_X (standard=True): Om True kopieras X; annars kan det skrivas över.
n_jobs (standard=None): Antal jobb som används för beräkningen. Detta ger endast en prestandaförbättring för n_targets > 1 och tillräckligt stora problem. None betyder 1 om inte i ett joblib.parallel_backend-sammanhang. -1 innebär att alla processorer används.
positive (standard=False): Om satt till True tvingas koefficienterna vara positiva. Detta alternativ stöds endast för täta arrayer.

Vanliga metoder

fit(X, y): Anpassa den linjära modellen.
predict(X): Prediktera med den linjära modellen.
score(X, y): Returnera determinationskoefficienten för prediktionen.

Attribut

coef_: Uppskattade koefficienter för det linjära regressionsproblemet.
intercept_: Oberoende term i den linjära modellen.

I Scikit-learn använder vi klassen LinearRegression från modulen linear_model. Till skillnad från NumPy anger vi inte graden här; denna klass är specifikt utformad för linjära modeller. Vi använder metoden .fit() för att beräkna parametrarna.

Här är ett exempel:


              1234567891011121314
            
from sklearn.linear_model import LinearRegression
import numpy as np

# Convert the pandas Series to a NumPy array, then reshape
X_reshaped = X.values.reshape(-1, 1)

model = LinearRegression()
model.fit(X_reshaped, y) # Train the model

beta_0 = model.intercept_ # Get the intercept (beta_0)
beta_1 = model.coef_[0]   # Get the coefficient (beta_1)

print('beta_0 is', beta_0)
print('beta_1 is', beta_1)

Notering

Om du inte är bekant med syntaxen model.intercept_ och model.coef_, är detta en konvention i Scikit-learn. Attribut som beräknas (lärs in) under träningsprocessen slutar alltid med ett understreck _ (t.ex. intercept_, coef_). intercept_ är ett enskilt värde, medan coef_ är en array som innehåller koefficienterna för varje variabel (vid enkel linjär regression finns endast ett värde).

Göra förutsägelser

Nu kan vi rita linjen och förutsäga nya variabler med hjälp av den tränade modellen.


              123
            
plt.scatter(X, y)    # Build a scatter plot
plt.plot(X, model.predict(X_reshaped), color='red')    # Plot the line using predictions
plt.show()

Nu när vi har den tränade modellen kan vi använda metoden .predict() för att förutsäga nya värden.


              123
            
X_new = np.array([[65], [70], [75]])    # Feature values (must be 2D)
y_pred = model.predict(X_new)           # Predict the target
print('Predicted y: ', y_pred)

Det är alltså ganska enkelt att erhålla parametrarna för linjär regression. Men vissa bibliotek kan även ge ytterligare information.

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 3

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Svep för att visa menyn