Пакеты Python для линейной регрессии Пакет NumPy
Шаг 1. Импорт пакетов и классов
жүктеу/скачать 86,03 Kb.
|
3 Реализация линейной регрессии в Python
- Бұл бет үшін навигация:
- Шаг 2. Предоставьте данные
- Шаг 3. Создайте модель и подгоните ее
| Шаг 1. Импорт пакетов и классов
Шаг — импортировать пакет numpy и класс LinearRegression из sklearn.linear_model: import numpy as np from sklearn.linear_model import LinearRegression Теперь у вас есть все функции, необходимые для реализации линейной регрессии. Основным типом данных NumPy является тип массива с именем numpy.ndarray. В остальной части этой статьи термин «массив» используется для обозначения экземпляров типа numpy.ndarray. Класс sklearn.linear_model.LinearRegression будет использоваться для выполнения линейной и полиномиальной регрессии и соответственно делать прогнозы. Шаг 2. Предоставьте данные Второй шаг — определение данных для работы. Входные данные (регрессоры, x) и выходные данные (предиктор, y) должны быть массивами (экземплярами класса numpy.ndarray) или подобными объектами. Это самый простой способ предоставить данные для регрессии: x = np.array([5, 15, 25, 35, 45, 55]).reshape((-1, 1)) y = np.array([5, 20, 14, 32, 22, 38]) Теперь у вас есть два массива: входной x и выходной y. Вы должны вызвать .reshape() для x, потому что этот массив должен быть двумерным или, если быть более точным, иметь один столбец и столько строк, сколько необходимо. Именно это и определяет аргумент (-1, 1) функции .reshape(). Вот как теперь выглядят x и y: >>> print(x) [ [ 5] [15] [25] [35] [45] [55] ] >>> print(y) [ 5 20 14 32 22 38] Как вы можете видеть, x имеет два измерения, x.shape — это (6, 1), y — одно измерение, а y.shape — (6,). Шаг 3. Создайте модель и подгоните ее Следующим шагом является создание модели линейной регрессии и ее аппроксимация с использованием существующих данных. Давайте создадим экземпляр класса LinearRegression, который будет представлять регрессионную модель: model = LinearRegression() Этот оператор создает переменную модель как экземпляр LinearRegression. Вы можете предоставить LinearRegression несколько дополнительных параметров: fit_intercept — это логическое значение (по умолчанию True), которое определяет, следует ли вычислять точку пересечения b0 (True) или считать ее равной нулю (False). жүктеу/скачать 86,03 Kb. Достарыңызбен бөлісу:
|