Полиномиальная регрессия с использованием Turicreate
В этой статье мы обсудим реализацию полиномиальной регрессии с помощью Turicreate. Полиномиальная регрессия: полиномиальная регрессия - это форма регрессионного анализа, которая моделирует отношения между зависимым, скажем, y, и независимой переменной, например, x, как полином n-й степени. Это выражается как:
y= b0+b1x1+ b2x12+ b2x13+…… bnx1n
[where b0, b1, b2, …… bn are regression coefficients]
Итак, давайте изучим эту концепцию на практике.
Шаг 1: Импортируйте важные библиотеки и сгенерируйте очень небольшой набор данных с помощьюSArray и SFrame в turicreate, который мы собираемся использовать для выполнения полиномиальной регрессии.
Python3
# importing required python libraries import turicreate import matplotlib.pyplot as plt import random # Generating datapoints X = [data for data in range ( 1 , 21 )] Y = [random.randrange( 100 , 1000 , 1 ) for data in range ( 20 )] # Creating Sarrays from the generated data points Xs = turicreate.SArray(X, dtype = float ) Ys = turicreate.SArray(Y, dtype = float ) print (f """Xs : {Xs}
-------------------------------------------------------------------------------------------
Ys : {Ys}""" ) |
Выход:
Шаг 2: Построение сгенерированных данных
Python3
# plotting the generated data plt.scatter(Xs, Ys) plt.show() |
Шаг 3: Создайте SFrame, содержащий вход, его polynomial_degrees и выход, чтобы соответствовать нашей регрессионной модели.
Python3
# Creating an Sframe where all the inputs and the polynomial degree and output def createSframe(inputs, pol_degree): datapoints = turicreate.SFrame({ 'x1' : inputs}) for degree in range ( 2 , pol_degree + 1 ): datapoints[f 'x{degree}' ] = datapoints[f 'x{degree-1}' ] * datapoints[ 'x1' ] return datapoints # Creating a SFrame with polynomial degree 20 data_points = createSframe(Xs, 20 ) data_points[ 'y' ] = Ys # showing the first 10 entries in the SFrame data_points.head() |
Шаг 4: Подгонка полиномиальной регрессии к сгенерированному набору данных.
Python3
# Polynomial Regression features = [f 'x{i}' for i in range ( 1 , 21 )] poly_model = turicreate.linear_regression.create( data_points, features = features, target = 'y' ) |
Шаг 5: Прогнозирование результата с использованием подобранной модели и сохранение результата в SFrame.
Python3
# predicting the some data # Generating test datapoints test_X = [random.randrange( 1 , 60 , 1 ) for data in range ( 20 )] test_Xs = turicreate.SArray(X, dtype = float ) test_data = createSframe(test_Xs, 5 ) data_points[ 'predicted_y' ] = poly_model.predict(test_data) data_points.head() |
Шаг 6. Измерение точности нашего предсказанного результата
Python
# Measuring the accuracy # Generating test datapoints test_X = [random.randrange( 1 , 60 , 1 ) for data in range ( 20 )] test_Xs = turicreate.SArray(X, dtype = float ) test_data = createSframe(test_Xs, 20 ) poly_model.evaluate(data_points) |
Шаг 7: Визуализация результатов полиномиальной регрессии с использованием графика рассеяния и линейного графика входных данных и прогнозируемого результата.
Python3
plt.scatter(data_points[ 'x1' ], data_points[ 'y' ]) plt.plot(data_points[ 'x1' ], data_points[ 'predicted_y' ]) plt.show() |
Внимание компьютерщик! Укрепите свои основы с помощью базового курса программирования Python и изучите основы.
Для начала подготовьтесь к собеседованию. Расширьте свои концепции структур данных с помощью курса Python DS. А чтобы начать свое путешествие по машинному обучению, присоединяйтесь к курсу Машинное обучение - базовый уровень.