Пакеты Python для линейной регрессии Пакет NumPy
жүктеу/скачать 86,03 Kb.
|
3 Реализация линейной регрессии в Python
- Бұл бет үшін навигация:
- Шаг 4. Получите результаты
| normalize — это логическое значение (по умолчанию False), которое определяет, следует ли нормализовать входные переменные (True) или нет (False).
copy_X — это логическое значение (по умолчанию True), которое решает, копировать (True) или перезаписывать входные переменные (False). n_jobs является целым числом или None (по умолчанию) и представляет количество заданий, используемых в параллельных вычислениях. None обычно означает одно задание, а -1 — использовать все процессоры. В этом примере используются значения по умолчанию для всех параметров. Пришло время начать пользоваться моделью. Во-первых, вам нужно вызвать .fit() для модели: model.fit(x, y) С помощью .fit() вы вычисляете оптимальные значения весов b0 и b1, используя существующие входные и выходные данные (x и y) в качестве аргументов. Другими словами, .fit() соответствует модели. Он возвращает self, которое является самой переменной моделью. Вот почему вы можете заменить последние два утверждения на это: model = LinearRegression().fit(x, y) Шаг 4. Получите результаты После того, как вы настроили свою модель, вы можете получить результаты, чтобы проверить, удовлетворительно ли она работает и интерпретировать ее. Вы можете получить коэффициент детерминации (?2) с помощью .score(), вызванного для модели: >>> r_sq = model.score(x, y) >>> print('coefficient of determination:', r_sq) coefficient of determination: 0.715875613747954 Когда вы применяете .score(), аргументы также являются предиктором x и регрессором y, а возвращаемое значение — ?2. Атрибуты модели: .intercept_, который представляет коэффициент, и .coef_, который представляет b1: >>> print('intercept:', model.intercept_) intercept: 5.633333333333329 >>> print('slope:', model.coef_) slope: [0.54] В приведенном выше коде показано, как получить b0 и b1. Вы можете заметить, что .intercept_ — это скаляр, а .coef_ — это массив. Значение b0=5,63 (приблизительно) показывает, что ваша модель предсказывает реакцию 5,63, когда xx равно нулю. Значение b1=0,54 означает, что прогнозируемый ответ увеличивается на 0,54, когда x увеличивается на единицу. Вы должны заметить, что вы также можете предоставить y как двумерный массив. В этом случае вы получите аналогичный результат. Вот как это может выглядеть: >>> new_model = LinearRegression().fit(x, y.reshape((-1, 1))) >>> print('intercept:', new_model.intercept_) intercept: [5.63333333] >>> print('slope:', new_model.coef_) slope: [ [0.54] ] Как видите, этот пример очень похож на предыдущий, но в данном случае .intercept_ — это одномерный массив с единственным элементом b0, а .coef_ — это двумерный массив с единственным элементом b1. жүктеу/скачать 86,03 Kb. Достарыңызбен бөлісу:
|