파이썬 선형회귀분석 예제

| 0

회귀는 변수 간의 관계를 검색합니다. 회귀는 새 예측 변수 집합을 사용하여 응답을 예측하려는 경우에도 유용합니다. 예를 들어 실외 온도, 시간대 및 해당 가구의 거주자 수를 고려하여 다음 시간 동안 가구의 전기 소비를 예측하려고 할 수 있습니다. 패키지 NumPy는 단일 및 다차원 배열에 많은 고성능 작업을 허용하는 기본 파이썬 과학 패키지입니다. 또한 많은 수학 루틴을 제공합니다. 물론 오픈 소스입니다. 패키지 scikit-learn는 NumPy 및 기타 패키지를 기반으로 구축 된 기계 학습을위해 널리 사용되는 파이썬 라이브러리입니다. 데이터를 전처리하고, 차원을 줄이고, 회귀, 분류, 클러스터링 등을 구현하는 수단을 제공합니다. NumPy와 마찬가지로, 사이킷 학습도 오픈 소스입니다.

Scikit-Learn의 LinearRegression 추정기를 사용하여 이 데이터에 적합하고 최적 맞춤 선을 구성할 수 있습니다: 회귀 모델을 나타내는 LinearRegression 클래스의 인스턴스를 만들어 보겠습니다. GitHub에서 내 데이터 과학 예제 리포지토리를 살펴볼 수 있습니다. 회귀는 경제, 컴퓨터 과학, 사회 과학 등 다양한 분야에서 사용됩니다. 대용량 데이터의 가용성과 데이터의 실질적인 가치에 대한 인식이 높아지면서 그 중요성이 매일 증가하고 있습니다. 오늘은 파이썬의 간단한 선형 회귀 예제를 살펴보고, 언제나처럼 SciKit Learn 라이브러리를 사용할 것입니다. 모델을 맞추기 전에 필요한 데이터 전처리에 대한 게시물을 아직 살펴보지 않은 경우 데이터를 인코딩하여 텍스트가 없는지 확인하고 데이터 집합에서 누락된 데이터를 처리하는 방법을 확인합니다. 그 후 하나의 기능이 전체 출력을 지배하지 않도록 모든 기능이 모델의 동일한 범위에 있는지 확인해야합니다. 이를 위해서는 피처 배율 조정이 필요합니다. 마지막으로 데이터를 교육 및 테스트 집합으로 분할합니다. 이 게시물의 수학 부분을 🙂 파이썬에서 구현 할 준비가 되셨습니까? 2. 경제학: 선형 회귀는 경제학에서 지배적인 경험적 도구입니다. 예를 들어, 소비 지출, 고정 투자 지출, 재고 투자, 국가의 수출 구매, 수입 지출, 유동성 자산 보유 수요, 노동 수요 및 노동 공급을 예측하는 데 사용됩니다.

SKLearn은 파이썬의 기계 학습에 있어 거의 황금 표준입니다. 회귀, 분류, 클러스터링 및 차원 감소를 위한 많은 학습 알고리즘이 있습니다. 다양한 알고리즘의 지도와 SKLearn에 대한 더 많은 링크에 대한 KNN 알고리즘에 내 게시물을 확인하십시오. 선형 회귀를 사용하려면 이를 가져와야 합니다. 먼저 numpy 및 sklearn.linear_model을 가져옵니다. Linear Regression 및 알려진 입력 및 출력 제공: 선형 회귀는 아마도 가장 중요하고 널리 사용되는 회귀 기술 중 하나입니다. 가장 간단한 회귀 방법 중 하나입니다. 주요 장점 중 하나는 결과를 해석하는 용이성입니다. 이 문은 선형 회귀의 인스턴스로 변수 모델을 만듭니다.

선형 회귀에 몇 가지 선택적 매개 변수를 제공할 수 있습니다: 회귀 분석은 통계 및 기계 학습에서 가장 중요한 필드 중 하나입니다. 사용 가능한 많은 회귀 방법이 있습니다. 선형 회귀도 그 중 하나입니다.

Follow admin:

Latest posts from