Пакеты Python для линейной регрессии Пакет NumPy
Шаг 5. Спрогнозируйте ответ
жүктеу/скачать 86,03 Kb.
|
3 Реализация линейной регрессии в Python
| Шаг 5. Спрогнозируйте ответ
Как только будет создана удовлетворительная модель, вы можете использовать ее для прогнозов с использованием существующих или новых данных. Чтобы получить прогнозируемый ответ, используйте .predict(): >>> y_pred = model.predict(x) >>> print('predicted response:', y_pred, sep='\n') predicted response: [ 8.33333333 13.73333333 19.13333333 24.53333333 29.93333333 35.33333333] При применении .predict() вы передаете регрессор в качестве аргумента и получаете соответствующий прогнозируемый ответ. Это почти идентичный способ предсказать ответ: >>> y_pred = model.intercept_ + model.coef_ * x >>> print('predicted response:', y_pred, sep='\n') predicted response: [ [ 8.33333333] [13.73333333] [19.13333333] [24.53333333] [29.93333333] [35.33333333] ] В этом случае вы умножаете каждый элемент x на model.coef_ и добавляете model.intercept_ к продукту. Вывод здесь отличается от предыдущего примера только размерами. Прогнозируемый ответ теперь представляет собой двумерный массив, тогда как в предыдущем случае он имел одно измерение. Если вы уменьшите количество измерений x до одного, эти два подхода дадут одинаковый результат. Вы можете сделать это, заменив x на x.reshape(-1), x.flatten() или x.ravel() при умножении на model.coef_. На практике для прогнозов часто применяются регрессионные модели. Это означает, что вы можете использовать подогнанные модели для расчета результатов на основе некоторых других, новых входных данных: >>> x_new = np.arange(5).reshape((-1, 1)) >>> print(x_new) [ [0] [1] [2] [3] [4] ] >>> y_new = model.predict(x_new) >>> print(y_new) [5.63333333 6.17333333 6.71333333 7.25333333 7.79333333] Здесь .predict() применяется к новому регрессору x_new и дает ответ y_new. В этом примере удобно использовать arange() из numpy для создания массива с элементами от 0 (включительно) до 5 (исключая), то есть 0, 1, 2, 3 и 4. Вы можете найти дополнительную информацию о LinearRegression на официальной странице документации. жүктеу/скачать 86,03 Kb. Достарыңызбен бөлісу:
|