HTML CSS JAVASCRIPT SQL PYTHON PHP HOW TO W3.CSS JAVA JQUERY C++ R React
ภาษาไทย Afrikaans العربية čeština Deutsch Español Français हिन्दी Bahasa Indonesia Italiano 日本語 한국어 မြန်မာဘာသာ Nederlands Polski Português Русский Türkçe Tiếng Việt

Samouczek Pythona

Strona główna Pythona Wprowadzenie do Pythona Wprowadzenie do Pythona Składnia Pythona Komentarze w Pythonie Zmienne w Pythonie
Python Variables Variable Names Assign Multiple Values Output Variables Global Variables Variable Exercises
Typy danych Pythona Liczby w Pythonie Casting w Pythonie Ciągi Pythona
Python Strings Slicing Strings Modify Strings Concatenate Strings Format Strings Escape Characters String Methods String Exercises
Wartości logiczne w Pythonie Operatory Pythona Listy Pythona
Python Lists Access List Items Change List Items Add List Items Remove List Items Loop Lists List Comprehension Sort Lists Copy Lists Join Lists List Methods List Exercises
Krotki Pythona
Python Tuples Access Tuples Update Tuples Unpack Tuples Loop Tuples Join Tuples Tuple Methods Tuple Exercises
Zestawy Pythona
Python Sets Access Set Items Add Set Items Remove Set Items Loop Sets Join Sets Set Methods Set Exercises
Słowniki Pythona
Python Dictionaries Access Items Change Items Add Items Remove Items Loop Dictionaries Copy Dictionaries Nested Dictionaries Dictionary Methods Dictionary Exercise
Python, jeśli... w przeciwnym razie Pętle while Pythona Python dla pętli Funkcje Pythona Python Lambda Tablice Pythona Klasy/obiekty Pythona Dziedziczenie Pythona Iteratory Pythona Zakres Pythona Moduły Pythona Daty Pythona Matematyka w Pythonie Python JSON RegEx w Pythonie PIP w Pythonie Python Wypróbuj... Z wyjątkiem Dane wejściowe użytkownika w Pythonie Formatowanie ciągów w Pythonie

Obsługa plików

Obsługa plików Pythona Odczytywanie plików Pythona Zapis/Tworzenie plików w Pythonie Usuń pliki Pythona

Moduły Pythona

Samouczek NumPy Przewodnik po pandzie Samouczek Scipy

Python Matplotlib

Wprowadzenie do biblioteki Matplotlib Matplotlib Rozpocznij Matplotlib Pyplot Matplotlib kreślenie Markery Matplotlib Linia Matplotlib Etykiety Matplotlib Siatka Matplotlib Wykresy podrzędne Matplotlib Rozproszenie Matplotlib Paski Matplotlib Histogramy Matplotlib Wykresy kołowe Matplotlib

Nauczanie maszynowe

Pierwsze kroki Tryb średniej mediany Odchylenie standardowe Percentyl Dystrybucja danych Normalna dystrybucja danych Wykres punktowy Regresja liniowa Regresja wielomianowa Regresja wielokrotna Skala Trenuj/Test Drzewo decyzyjne

Python MySQL

Rozpocznij MySQL Tworzenie bazy danych MySQL Utwórz tabelę MySQL Wstaw MySQL Wybór MySQL MySQL Gdzie Zamów MySQL według Usuń MySQL Tabela upuszczania MySQL Aktualizacja MySQL Limit MySQL Dołącz do MySQL

Python MongoDB

MongoDB Rozpocznij MongoDB Utwórz bazę danych MongoDB Utwórz kolekcję Wstaw MongoDB MongoDB Znajdź Zapytanie MongoDB Sortuj MongoDB Usuń MongoDB MongoDB Drop Collection Aktualizacja MongoDB Limit MongoDB

Odniesienie do Pythona

Przegląd Pythona Wbudowane funkcje Pythona Metody ciągów Pythona Metody listy Pythona Metody słownika Pythona Metody krotek w Pythonie Metody zestawów Pythona Metody plików Pythona Słowa kluczowe w Pythonie Wyjątki Pythona Słownik Pythona

Odniesienie do modułu

Moduł losowy Moduł żądań Moduł statystyk Moduł matematyczny Moduł cMath

Instrukcje dotyczące Pythona

Usuń duplikaty listy Odwróć ciąg Dodaj dwie liczby

Przykłady Pythona

Przykłady Pythona Kompilator Pythona Ćwiczenia z Pythona Quiz Pythona Certyfikat Pythona

Uczenie maszynowe — regresja wielokrotna

❮ Poprzedni Następny ❯

Regresja wielokrotna

Regresja wielokrotna jest jak regresja liniowa , ale z więcej niż jedną niezależną wartością, co oznacza, że ​​próbujemy przewidzieć wartość na podstawie dwóch lub więcej zmiennych.

Spójrz na poniższy zestaw danych, zawiera on informacje o samochodach.

Samochód Model Tom Waga CO2
Toyota Ajgo 1000 790 99
Mitsubishi Kosmiczna gwiazda 1200 1160 95
Skoda Citigo 1000 929 95
Placet 500 900 865 90
Mini Bednarz 1500 1140 105
VW W górę! 1000 929 105
Skoda Fabia 1400 1109 90
Mercedes Klasa 1500 1365 92
Bród Fiesta 1500 1112 98
Audi A1 1600 1150 99
Hyundai I20 1100 980 99
Suzuki Szybki 1300 990 101
Bród Fiesta 1000 1112 99
Honda Obywatelski 1600 1252 94
Hyundai I30 1600 1326 97
Opel Astra 1600 1330 97
BMW 1 1600 1365 99
Mazda 3 2200 1280 104
Skoda Nagły 1600 1119 104
Bród Centrum 2000 1328 105
Bród Mondeo 1600 1584 94
Opel Insygnia 2000 1428 99
Mercedes Klasa C 2100 1365 99
Skoda Oktawia 1600 1415 99
Volvo S60 2000 1415 99
Mercedes CAO 1500 1465 102
Audi A4 2000 1490 104
Audi A6 2000 1725 114
Volvo V70 1600 1523 109
BMW 5 2000 1705 114
Mercedes Klasa E 2100 1605 115
Volvo XC70 2000 1746 117
Bród B-maks. 1600 1235 104
BMW 2 1600 1390 108
Opel Zafira 1600 1405 109
Mercedes SLK 2500 1395 120

Możemy przewidzieć emisję CO2 przez samochód na podstawie wielkości silnika, ale dzięki regresji wielokrotnej możemy dodać więcej zmiennych, takich jak waga samochodu, aby prognoza była dokładniejsza.

Jak to działa?

W Pythonie mamy moduły, które wykonają za nas pracę. Zacznij od zaimportowania modułu Pandy.

import pandas

Dowiedz się więcej o module Pandy w naszym samouczku dotyczącym Pand .

Moduł Pandas umożliwia odczytywanie plików csv i zwracanie obiektu DataFrame.

Plik jest przeznaczony wyłącznie do celów testowych, można go pobrać tutaj: cars.csv

df = pandas.read_csv("cars.csv")

Następnie zrób listę niezależnych wartości i wywołaj tę zmienną X.

Umieść zależne wartości w zmiennej o nazwie y.

X = df[['Weight', 'Volume']]
y = df['CO2']

Wskazówka: często nazywa się listę niezależnych wartości wielką literą X, a listę wartości zależnych małą literą y.

Użyjemy kilku metod z modułu sklearn, więc będziemy musieli zaimportować również ten moduł:

from sklearn import linear_model

Z modułu sklearn użyjemy LinearRegression()metody do stworzenia obiektu regresji liniowej.

Ten obiekt ma wywołaną metodę fit(), która pobiera niezależne i zależne wartości jako parametry i wypełnia obiekt regresji danymi opisującymi relację:

regr = linear_model.LinearRegression()
regr.fit(X, y)

Teraz mamy obiekt regresji, który jest gotowy do przewidywania wartości CO2 na podstawie masy i objętości samochodu:

#predict the CO2 emission of a car where the weight is 2300kg, and the volume is 1300cm3:
predictedCO2 = regr.predict([[2300, 1300]])

Przykład

Zobacz cały przykład w akcji:

import pandas
from sklearn import linear_model

df = pandas.read_csv("cars.csv")

X = df[['Weight', 'Volume']]
y = df['CO2']

regr = linear_model.LinearRegression()
regr.fit(X, y)

#predict the CO2 emission of a car where the weight is 2300kg, and the volume is 1300cm3:
predictedCO2 = regr.predict([[2300, 1300]])

print(predictedCO2)

Wynik:

[107.2087328]

Przewidzieliśmy, że samochód z silnikiem o pojemności 1,3 litra i wadze 2300 kg będzie emitował około 107 gramów CO2 na każdy przejechany kilometr.

Współczynnik

Współczynnik jest czynnikiem opisującym związek z nieznaną zmienną.

Przykład: jeśli xjest zmienną, to 2xjest xdwa razy. xto nieznana zmienna, a liczba 2to współczynnik.

W takim przypadku możemy poprosić o wartość współczynnika wagi w stosunku do CO2 i objętości w stosunku do CO2. Otrzymane odpowiedzi mówią nam, co by się stało, gdybyśmy zwiększyli lub zmniejszyli jedną z niezależnych wartości.

Przykład

Wydrukuj wartości współczynników obiektu regresji:

import pandas
from sklearn import linear_model

df = pandas.read_csv("cars.csv")

X = df[['Weight', 'Volume']]
y = df['CO2']

regr = linear_model.LinearRegression()
regr.fit(X, y)

print(regr.coef_)

Wynik:

[0.00755095 0.00780526]

Wyjaśnienie wyniku

Tablica wyników reprezentuje wartości współczynników wagi i objętości.

Waga: 0,00755095
Objętość: 0,00780526

Te wartości mówią nam, że jeśli masa wzrośnie o 1kg, emisja CO2 wzrośnie o 0,00755095g.

A jeśli wielkość silnika (objętość) wzrośnie o 1 cm 3 , emisja CO2 wzrośnie o 0,00780526 g.

Myślę, że to słuszne przypuszczenie, ale przetestujmy to!

Przewidywaliśmy już, że jeśli samochód z silnikiem 1300cm3 waży 2300kg, emisja CO2 wyniesie około 107g.

Co jeśli zwiększymy wagę o 1000kg?

Przykład

Skopiuj przykład z poprzedniego, ale zmień wagę z 2300 na 3300:

import pandas
from sklearn import linear_model

df = pandas.read_csv("cars.csv")

X = df[['Weight', 'Volume']]
y = df['CO2']

regr = linear_model.LinearRegression()
regr.fit(X, y)

predictedCO2 = regr.predict([[3300, 1300]])

print(predictedCO2)

Wynik:

[114.75968007]

Przewidywaliśmy, że samochód z silnikiem o pojemności 1,3 litra i wadze 3300 kg będzie emitował około 115 gramów CO2 na każdy przejechany kilometr.

Co pokazuje, że współczynnik 0,00755095 jest poprawny:

107,2087328 + (1000 * 0,00755095) = 114,75968

❮ Poprzedni Następny ❯