Python में रैखिक प्रतिगमन लागू करना

Python में रैखिक प्रतिगमन लागू करना

अब जब आप रैखिक प्रतिगमन की संकल्पना समझ गए हैं, तो आइए इसे Python का उपयोग करके लागू करें। इसके लिए हम लोकप्रिय scikit-learn पुस्तकालय का उपयोग करेंगे।

चरण 1: डेटा तैयार करना

सबसे पहले, हमें एक आँकड़ा-समुच्चय तैयार करना होगा। इस उदाहरण के लिए, हम एक सरल आँकड़ा-समुच्चय का उपयोग करेंगे जिसमें एक स्वतंत्र चर (x) और एक आश्रित चर (y) होगा।

डेटा यह है:

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

चरण 2: आवश्यक पुस्तकालय आयात करना

हमें इन पुस्तकालयों को आयात करना होगा:

• numpy: संख्यात्मक गणनाओं के लिए।
• matplotlib: दृश्यांकनों के लिए।
• scikit-learn: मशीन अधिगम की कलनविधियों के लिए।

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

चरण 3: मॉडल बनाना

हम scikit-learn के LinearRegression वर्ग का उपयोग करके रैखिक प्रतिगमन मॉडल बनाते हैं और उसे डेटा के अनुरूप बनाते हैं।

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)

चरण 4: पूर्वानुमान लगाना

मॉडल के प्रशिक्षित हो जाने के बाद, हम इसका उपयोग पूर्वानुमान लगाने के लिए कर सकते हैं। उदाहरण के लिए, x = 6 होने पर y के मान का पूर्वानुमान लगाया जा सकता है।

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

चरण 5: परिणामों का दृश्यांकन करना

मॉडल डेटा के अनुरूप कितनी अच्छी तरह बैठता है, यह देखने के लिए हम डेटा बिंदुओं और प्रतिगमन रेखा का आलेख बना सकते हैं।

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()

चरण 6: मॉडल का मूल्यांकन करना

हम R-वर्ग जैसे मापदंडों का उपयोग करके मॉडल के प्रदर्शन का मूल्यांकन करते हैं। यह मापता है कि मॉडल आँकड़ों में होने वाले परिवर्तन को कितनी अच्छी तरह समझाता है।

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

रैखिक प्रतिगमन का कार्यान्वयन करते समय आपको निम्नलिखित चुनौतियों का सामना करना पड़ सकता है:

• छोटे डेटासेट के साथ अति-अनुरूपण।
• अपवादात्मक मानों के प्रति संवेदनशीलता।
• कई चरों में बहु-सह-रैखिकता को संभालना।

इस पाठ में हमने:

• स्किकिट-लर्न का उपयोग करके रैखिक प्रतिगमन लागू करना सीखा।
• पूर्वानुमान लगाए और परिणामों को दृश्य रूप में प्रस्तुत किया।
• R-वर्ग का उपयोग करके मॉडल का मूल्यांकन किया।

अब हम वर्गीकरण समस्याओं के लिए लॉजिस्टिक प्रतिगमन की अवधारणा का अध्ययन करेंगे।