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
Если вы хотите получить предсказанный ответ, просто используйте .predict(), но помните, что аргументом должен быть измененный вход x_ вместо старого x: >>> y_pred = model.predict(x_) >>> print('predicted response:', y_pred, sep='\n') predicted response: [15.46428571 7.90714286 6.02857143 9.82857143 19.30714286 34.46428571] Как видите, прогноз работает почти так же, как и в случае линейной регрессии. Просто требуется модифицированный ввод вместо оригинала. Вы можете применить идентичную процедуру, если у вас есть несколько входных переменных. У вас будет входной массив с более чем одним столбцом, но все остальное останется прежним. Вот пример: # Step 1: Import packages import numpy as np from sklearn.linear_model import LinearRegression from sklearn.preprocessing import PolynomialFeatures # Step 2a: Provide data x = [ [0, 1], [5, 1], [15, 2], [25, 5], [35, 11], [45, 15], [55, 34], [60, 35] ] y = [4, 5, 20, 14, 32, 22, 38, 43] x, y = np.array(x), np.array(y) # Step 2b: Transform input data x_ = PolynomialFeatures(degree=2, include_bias=False).fit_transform(x) # Step 3: Create a model and fit it model = LinearRegression().fit(x_, y) # Step 4: Get results r_sq = model.score(x_, y) intercept, coefficients = model.intercept_, model.coef_ # Step 5: Predict y_pred = model.predict(x_) Этот пример регрессии дает следующие результаты и прогнозы: >>> print('coefficient of determination:', r_sq) coefficient of determination: 0.9453701449127822 >>> print('intercept:', intercept) intercept: 0.8430556452395734 >>> print('coefficients:', coefficients, sep='\n') coefficients: [ 2.44828275 0.16160353 -0.15259677 0.47928683 -0.4641851 ] >>> print('predicted response:', y_pred, sep='\n') predicted response: [ 0.54047408 11.36340283 16.07809622 15.79139 29.73858619 23.50834636 39.05631386 41.92339046] В этом случае имеется шесть коэффициентов регрессии (включая точку пересечения), как показано в оценочной функции регрессии f(x1,x2)=b0+b1x1+b2x2+b3x12+b4x1x2+b5x22. Вы также можете заметить, что полиномиальная регрессия дала более высокий коэффициент детерминации, чем множественная линейная регрессия для той же проблемы. Сначала можно было подумать, что получение такой большой площади — отличный результат, что может быть. Однако в реальных ситуациях наличие сложной модели и R2, очень близкого к 1, также может быть признаком переобучения. Чтобы проверить производительность модели, вы должны протестировать ее с новыми данными, то есть с наблюдениями, которые не используются для соответствия (обучения) модели. Чтобы узнать, как разделить набор данных на обучающие и тестовые подмножества, ознакомьтесь с Split Your Dataset With scikit-learn’s train_test_split(). жүктеу/скачать 86,03 Kb. Достарыңызбен бөлісу:
|