هوش مصنوعی با پایتون – بخش ششم – یادگیری نظارت شده : رگرسیون

اکنون می‌توان عملکرد رگرسیون خطی خود را به شرح زیر محاسبه کرد –

print(“Performance of Linear regressor:”)

print(“Mean absolute error =”, round(sm.mean_absolute_error(y_test, y_test_pred), 2))

print(“Mean squared error =”, round(sm.mean_squared_error(y_test, y_test_pred), 2))

print(“Median absolute error =”, round(sm.median_absolute_error(y_test, y_test_pred), 2))

print(“Explain variance score =”, round(sm.explained_variance_score(y_test, y_test_pred),

۲))

print(“R2 score =”, round(sm.r2_score(y_test, y_test_pred), 2))

خروجی:

کارایی یک رگرسیون خطی:

Mean absolute error = 1.78

Mean squared error = 3.89

Median absolute error = 2.01

Explain variance score = -0.09

R2 score = -0.09

در کد بالا ، ما از این داده‌های کوچک برای خروجی گرفتن استفاده کرده‌ایم. اگر می‌خواهید برخی از داده‌ها بزرگ باشند، می‌توانید از sklearn.dataset  برای واردکردن مجموعه داده بزرگ‌تر استفاده کنید.

۲,۴.۸۲.۹,۴.۷۲.۵,۵۳.۲,۵.۵۶,۵۷.۶,۴۳.۲,۰.۹۲.۹,۱.۹۲.۴,

۳.۵۰.۵,۳.۴۱,۴۰.۹,۵.۹۱.۲,۲.۵۸۳.۲,۵.۶۵.۱,۱.۵۴.۵,

۱.۲۲.۳,۶.۳۲.۱,۲.۸

رگرسیون چندمتغیره

ابتدا باید چند پکیج مورد نیاز را import کنیم.

import numpy as np

from sklearn import linear_model

import sklearn.metrics as sm

import matplotlib.pyplot as plt

from sklearn.preprocessing import PolynomialFeatures

حال باید داده‌های ورودی را تهیه کنیم. ما داده‌های خود را در فایلی به نام linear.txt ذخیره کرده‌ایم.

input = ‘D:/ProgramData/Mul_linear.txt’

این داده‌ها را با استفاده از تابع np.loadtxt بارگذاری خواهیم کرد.

input_data = np.loadtxt(input, delimiter=’,’)

X, y = input_data[:, :-1], input_data[:, -1]

گام بعدی آموزش مدل خواهد بود. نمونه‌های train و تست را به مدل می‌دهیم.

training_samples = int(0.6 * len(X))

testing_samples = len(X) – num_training

X_train, y_train = X[:training_samples], y[:training_samples]

X_test, y_test = X[training_samples:], y[training_samples:]

قسمت‌های دیگر مقاله را از لینک‌های زیر بخوانید:

هوش مصنوعی با پایتون – بخش ششم – یادگیری نظارت شده : رگرسیون (قسمت اول)

هوش مصنوعی با پایتون – بخش ششم – یادگیری نظارت شده : رگرسیون (قسمت سوم)