Пакеты Python для линейной регрессии Пакет NumPy
degree — это целое число (по умолчанию 2
жүктеу/скачать 86,03 Kb.
|
3 Реализация линейной регрессии в Python
- Бұл бет үшін навигация:
- Шаг 3. Создайте модель и подгоните её
| degree — это целое число (по умолчанию 2), представляющее степень функции полиномиальной регрессии.
Interaction_only — это логическое значение (по умолчанию False), которое определяет, следует ли включать только функции взаимодействия (True) или все функции (False). include_bias — это логическое значение (по умолчанию True), которое решает, включать ли столбец смещения (перехвата) единиц (True) или нет (False). В этом примере используются значения по умолчанию для всех параметров, но иногда вы захотите поэкспериментировать со степенью функции, и в любом случае может быть полезно привести этот аргумент. Перед применением transformer его нужно подогнать с помощью .fit(): transformer.fit(x) После установки code>transformer он готов к созданию нового измененного входа. Для этого вы применяете .transform(): x_ = transformer.transform(x) Это преобразование входного массива с помощью .transform(). Он принимает входной массив в качестве аргумента и возвращает измененный массив. Вы также можете использовать .fit_transform() для замены трех предыдущих операторов только одним: x_ = PolynomialFeatures(degree=2, include_bias=False).fit_transform(x) Это подгонка и преобразование входного массива в один оператор с помощью .fit_transform(). Он также принимает входной массив и фактически делает то же самое, что .fit() и .transform(), вызываемые в этом порядке. Он также возвращает измененный массив. Так выглядит новый входной массив: >>> print(x_) [ [ 5. 25.] [ 15. 225.] [ 25. 625.] [ 35. 1225.] [ 45. 2025.] [ 55. 3025.] ] Модифицированный входной массив содержит два столбца: один с исходными входами, а другой с их квадратами. Вы можете найти дополнительную информацию о PolynomialFeatures на официальной странице документации. Шаг 3. Создайте модель и подгоните её Этот шаг также такой же, как и в случае линейной регрессии. Вы создаете и подгоняете модель: model = LinearRegression().fit(x_, y) Теперь регрессионная модель создана и настроена. Готова к применению. Вы должны помнить, что первый аргумент .fit() — это модифицированный входной массив x_, а не исходный x. жүктеу/скачать 86,03 Kb. Достарыңызбен бөлісу:
|