تطبيق الانحدار الخطي في Python

بعد أن فهمتم مفهوم الانحدار الخطي، لنطبّقه باستخدام Python. سنستخدم مكتبة scikit-learn الشائعة لهذا الغرض.

الخطوة 1: إعداد البيانات

أولًا، نحتاج إلى إعداد مجموعة بيانات. في هذا المثال، سنستخدم مجموعة بيانات بسيطة تحتوي على متغير مستقل واحد (x) ومتغير تابع واحد (y).

إليكم البيانات:

• x: 1, 2, 3, 4, 5
• y: 2, 4, 6, 8, 10

الخطوة 2: استيراد المكتبات المطلوبة

نحتاج إلى استيراد المكتبات التالية:

• numpy: لإجراء العمليات الحسابية الرقمية.
• matplotlib: لإنشاء التصورات المرئية.
• scikit-learn: لخوارزميات التعلم الآلي.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

الخطوة 3: إنشاء النموذج

ننشئ نموذجًا للانحدار الخطي باستخدام الفئة LinearRegression من scikit-learn، ثم ندرّبه على البيانات.

x = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 4, 6, 8, 10])

model = LinearRegression()
model.fit(x, y)

الخطوة 4: إجراء التنبؤات

بعد تدريب النموذج، يمكننا استخدامه لإجراء التنبؤات. على سبيل المثال، يمكننا التنبؤ بقيمة y عندما تكون x = 6.

prediction = model.predict(np.array([[6]]))
print(f"Predicted value for x=6: {prediction[0]}")

الخطوة 5: تصوير النتائج

يمكننا رسم نقاط البيانات وخط الانحدار لتصوير مدى جودة ملاءمة النموذج للبيانات.

plt.scatter(x, y, color='blue', label='Data points')
plt.plot(x, model.predict(x), color='red', label='Regression line')
plt.title('Linear Regression Visualization')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

الخطوة 6: تقييم النموذج

نقيّم أداء النموذج باستخدام مقاييس مثل R-squared. ويقيس هذا المقياس مدى نجاح النموذج في تفسير تباين البيانات.

r_squared = model.score(x, y)
print(f"R-squared value: {r_squared}")

التحديات الشائعة في التطبيق

أثناء تطبيق الانحدار الخطي، قد تواجهون تحديات مثل:

• فرط التكيّف عند استخدام مجموعات بيانات صغيرة.
• الحساسية تجاه القيم الشاذة.
• التعامل مع التعدد الخطي بين المتغيرات المتعددة.

الملخّص والخطوات التالية

في هذا الدرس:

• تعلّمنا تطبيق الانحدار الخطي باستخدام scikit-learn.
• أجرينا تنبؤات وصوّرنا النتائج.
• قيّمنا النموذج باستخدام R-squared.

بعد ذلك، سنستكشف مفهوم الانحدار اللوجستي لحل مسائل التصنيف.