شما اینجایید
خانه > آموزش > هوش مصنوعی با پایتون – بخش ششم – یادگیری نظارت شده : رگرسیون (قسمت سوم)

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

هوش مصنوعی با پایتون

 

 

حالا باید یک شیء رگرسیون خطی ایجاد کنیم.

reg_linear_mul = linear_model.LinearRegression()

 

شیء ایجاد شده را با نمونه‌های آموزشی train می‌کنیم.

reg_linear_mul.fit(X_train, y_train)

 

حالا درنهایت ما باید عمل پیش‌بینی را با استفاده از داده‌های تست انجام دهیم.

y_test_pred = reg_linear_mul.predict(X_test)

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), 2))

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

خروجی:

 

کاراییِ رگرسیون خطی:

Mean absolute error = 0.6

Mean squared error = 0.65

Median absolute error = 0.41

Explain variance score = 0.34

R2 score = 0.33

اکنون چند جمله‌ای از درجه ۱۰ ایجاد خواهیم کرد و رگرسیون را آموزش خواهیم داد. می‌خواهیم sample Data point ایجاد کنیم.

polynomial = PolynomialFeatures(degree = 10)

X_train_transformed = polynomial.fit_transform(X_train)

datapoint = [[2.23, 1.35, 1.12]]

poly_datapoint = polynomial.fit_transform(datapoint)

poly_linear_model = linear_model.LinearRegression()

poly_linear_model.fit(X_train_transformed, y_train)

print(“\nLinear regression:\n”, reg_linear_mul.predict(datapoint))

print(“\nPolynomial regression:\n”, poly_linear_model.predict(poly_datapoint))

خروجی:

 

رگرسیون خطی:

[۲.۴۰۱۷۰۴۶۲]

 

 

رگرسیون چندجمله‌ای:

[۱.۸۶۹۷۲۲۵]

 

 

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.

۲,۴.۸,۱.۲,۳.۲۲.۹,۴.۷,۱.۵,۳.۶۲.۵,۵,۲.۸,۲۳.۲,۵.۵,۳.۵,۲.۱۶,۵,

۲,۳.۲۷.۶,۴,۱.۲,۳.۲۳.۲,۰.۹,۲.۳,۱.۴۲.۹,۱.۹,۲.۳,۱.۲۲.۴,۳.۵,

۲.۸,۳.۶۰.۵,۳.۴,۱.۸,۲.۹۱,۴,۳,۲.۵۰.۹,۵.۹,۵.۶,۰.۸۱.۲,۲.۵۸,

۳.۴۵,۱.۲۳۳.۲,۵.۶,۲,۳.۲۵.۱,۱.۵,۱.۲,۱.۳۴.۵,۱.۲,۴.۱,۲.۳۲.۳,

۶.۳,۲.۵,۳.۲۲.۱,۲.۸,۱.۲,۳.۶

 

 

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 دوم)

پاسخ دهید

بالا