Вивчайте Побудова Множинної Лінійної Регресії

Свайпніть щоб показати меню

Клас LinearRegression дозволяє будувати множинну лінійну регресію так само, як і просту лінійну регресію. Він автоматично обробляє декілька ознак (стовпців) у вхідній матриці.

Підготовка даних

Маємо той самий набір даних, що й у прикладі з простою лінійною регресією, але тепер він містить зріст матері як другу ознаку. Завантажимо його та переглянемо змінну X:


              12345678
            
import pandas as pd

file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv'
df = pd.read_csv(file_link)    # Open the file
# Assign the variables
X = df[['Father', 'Mother']]
y = df['Height']
print(X.head())

За замовчуванням параметр fit_intercept=True встановлено, тому модель автоматично обчислює зміщення (bias term)! Ми можемо передати DataFrame X (який вже є двовимірним) безпосередньо до моделі.

Знаходження параметрів

Чудово! Тепер ми можемо побудувати модель, знайти параметри та зробити передбачення.


              12345678910111213141516171819202122
            
from sklearn.linear_model import LinearRegression
import numpy as np

# Initialize the model
model = LinearRegression()
# Train the model (No need to add constant!)
model.fit(X, y)

# Get the parameters
beta_0 = model.intercept_
beta_1 = model.coef_[0]    # Coefficient for 'Father'
beta_2 = model.coef_[1]    # Coefficient for 'Mother'

print('beta_0 is: ', beta_0)
print('beta_1 is: ', beta_1)
print('beta_2 is: ', beta_2)

# Predict new values
# Feature values of new instances: [[Father, Mother], [Father, Mother], ...]
X_new = np.array([[65, 62], [70, 65], [75, 70]])
y_pred = model.predict(X_new)    # Predict the target
print('Predictions:', y_pred)

Примітка

Оскільки наш навчальний набір має 2 ознаки, необхідно вказувати 2 ознаки для кожного нового екземпляра, який потрібно передбачити. Саме тому використовується np.array([[65, 62],[70, 65],[75, 70]]). Також зверніть увагу, що model.coef_ повертає масив коефіцієнтів відповідно до порядку стовпців у X. Оскільки X був ['Father', 'Mother'], coef_[0] — це коефіцієнт для Father, а coef_[1] — для Mother.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 7

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Секція 1. Розділ 7