تطبيق الانحدار الخطي في Python

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

الخطوة 1: إعداد البيانات

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

إليك 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 العددية.
• matplotlib: لإنشاء التصورات المرئية.
• scikit-learn: لخوارزميات تعلّم الآلة.

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

الخطوة 3: إنشاء النموذج

ننشئ نموذج انحدار خطي باستخدام الفئة LinearRegression من scikit-learn، ثم نلائم النموذج مع 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، مثل 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 قدرة النموذج على تفسير تباين البيانات.

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

قد تواجه أثناء تطبيق الانحدار الخطي تحديات مثل:

• فرط التكيّف مع مجموعات البيانات الصغيرة.
• الحساسية للقيم الشاذة.
• التعامل مع التعدد الخطي بين المتغيرات المتعددة.

في هذا الدرس:

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

سنستكشف بعد ذلك مفهوم الانحدار اللوجستي لمشكلات التصنيف.