Пакеты Python для линейной регрессии Пакет NumPy
Шаг 4. Получите результаты
жүктеу/скачать 86,03 Kb.
|
3 Реализация линейной регрессии в Python
| Шаг 4. Получите результаты
Получить свойства модели можно так же, как и в случае линейной регрессии: >>> r_sq = model.score(x_, y) >>> print('coefficient of determination:', r_sq) coefficient of determination: 0.8908516262498564 >>> print('intercept:', model.intercept_) intercept: 21.372321428571425 >>> print('coefficients:', model.coef_) coefficients: [-1.32357143 0.02839286] Опять же, .score() возвращает R^2R2. Его первым аргументом также является измененный вход x_, а не x. Значения весов связаны с .intercept_ и .coef_: .intercept_ представляет b0, а .coef_ ссылается на массив, содержащий b1 и b2 соответственно. Вы можете получить очень похожий результат с разными аргументами преобразования и регрессии: x_ = PolynomialFeatures(degree=2, include_bias=True).fit_transform(x) Если вы вызываете PolynomialFeatures с параметром по умолчанию include_bias = True (или просто опускаете его), вы получите новый входной массив x_ с дополнительным крайним левым столбцом, содержащим только единицы. Этот столбец соответствует перехвату. Вот как в этом случае выглядит модифицированный входной массив: >>> print(x_) [ [1.000e+00 5.000e+00 2.500e+01] [1.000e+00 1.500e+01 2.250e+02] [1.000e+00 2.500e+01 6.250e+02] [1.000e+00 3.500e+01 1.225e+03] [1.000e+00 4.500e+01 2.025e+03] [1.000e+00 5.500e+01 3.025e+03] ] Первый столбец x_ содержит единицы, второй — значения x, а третий — квадраты x. Перехват уже включен в крайний левый столбец единиц, и вам не нужно включать его снова при создании экземпляра LinearRegression. Таким образом, вы можете указать fit_intercept = False. Вот так выглядит следующее утверждение: >>> print(x_) model = LinearRegression(fit_intercept=False).fit(x_, y) Переменная model снова соответствует новому входному массиву x_. Следовательно, x_ следует передавать в качестве первого аргумента вместо x. Этот подход дает следующие результаты, аналогичные предыдущему: >>> print(x_) >>> r_sq = model.score(x_, y) >>> print('coefficient of determination:', r_sq) coefficient of determination: 0.8908516262498565 >>> print('intercept:', model.intercept_) intercept: 0.0 >>> print('coefficients:', model.coef_) coefficients: [21.37232143 -1.32357143 0.02839286] Вы видите, что теперь .intercept_ равен нулю, но .coef_ фактически содержит b0 в качестве своего первого элемента. В остальном все то же самое. жүктеу/скачать 86,03 Kb. Достарыңызбен бөлісу:
|