Пакеты Python для линейной регрессии Пакет NumPy
жүктеу/скачать 86,03 Kb.
|
3 Реализация линейной регрессии в Python
- Бұл бет үшін навигация:
- Пакеты Python для линейной регрессии Пакет NumPy
- NumPy , scikit-learn
- Простая линейная регрессия с помощью scikit-learn
|
Реализация линейной регрессии в Python Пора приступить к реализации линейной регрессии в Python. По сути, все, что вам нужно сделать, это применить подходящие пакеты, их функции и классы. Пакеты Python для линейной регрессии Пакет NumPy — это фундаментальный научный пакет Python, который позволяет выполнять множество высокопроизводительных операций с одномерными и многомерными массивами. Он также предлагает множество математических процедур. Конечно, это открытый исходный код. Если вы не знакомы с NumPy, вы можете использовать официальное руководство пользователя NumPy и прочитать Глянь Ма, никаких циклов: работа с массивами, используя NumPy. Кроме того, сравнение производительности в статье Чистый Python против NumPy и TensorFlow. Сравнение производительности может дать вам довольно хорошее представление о приросте производительности, которого вы можете достичь при применении NumPy. Пакет scikit-learn — это широко используемая библиотека Python для машинного обучения, построенная на основе NumPy и некоторые другие пакеты. Они предоставляют инструменты для предварительной обработки данных, уменьшения размерности, реализации регрессии, классификации, кластеризации и многого другого. Как и NumPy, scikit-learn также имеет открытый исходный код. Вы можете проверить страницу Generalized Linear Models на веб-сайте scikit-learn, чтобы узнать больше о линейных моделях и получить более полное представление о том, как работает этот пакет. Если вы хотите реализовать линейную регрессию и вам нужна функциональность, выходящая за рамки scikit-learn, вам следует рассмотреть statsmodels. Это мощный пакет Python для оценки статистических моделей, выполнения тестов и многого другого. Это также открытый исходный код. Вы можете найти дополнительную информацию о статистических моделях на его официальном веб-сайте. Простая линейная регрессия с помощью scikit-learn Начнем с простейшего случая, который представляет собой простую линейную регрессию. При реализации линейной регрессии необходимо выполнить пять основных шагов: Импортировать необходимые пакеты и классы; Предоставить данные для работы и в конечном итоге выполнить соответствующие преобразования; Создать модель регрессии и сопоставить его с существующими данными; Проверить результаты подгонки модели, чтобы узнать, удовлетворительна ли модель. Примените модель для прогнозов. Эти шаги являются более или менее общими для большинства регрессионных подходов и реализаций. жүктеу/скачать 86,03 Kb. Достарыңызбен бөлісу:
|