Implementowanie regresji liniowej w Pythonie

Teraz, gdy znasz już pojęcie regresji liniowej, zaimplementujemy ją w Pythonie. W tym celu użyjemy popularnej biblioteki scikit-learn.

Krok 1: Przygotowanie danych

Najpierw należy przygotować zbiór danych. W tym przykładzie użyjemy prostego zbioru z jedną zmienną niezależną (x) i jedną zmienną zależną (y).

Oto dane:

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

Krok 2: Importowanie wymaganych bibliotek

Należy zaimportować następujące biblioteki:

• numpy: do obliczeń numerycznych.
• matplotlib: do tworzenia wizualizacji.
• scikit-learn: do korzystania z algorytmów uczenia maszynowego.

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

Krok 3: Tworzenie modelu

Tworzymy model regresji liniowej za pomocą klasy LinearRegression z biblioteki scikit-learn i dopasowujemy go do danych.

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)

Krok 4: Tworzenie predykcji

Po wytrenowaniu modelu można użyć go do tworzenia predykcji. Na przykład można przewidzieć wartość y, gdy x = 6.

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

Krok 5: Wizualizacja wyników

Można nanieść punkty danych i linię regresji na wykres, aby ocenić wizualnie, jak dobrze model dopasowuje się do danych.

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()

Krok 6: Ocena modelu

Ocenia się skuteczność modelu za pomocą takich metryk jak R-kwadrat. Mierzy ona, jak dobrze model wyjaśnia zmienność danych.

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

Typowe wyzwania związane z implementacją

Podczas implementowania regresji liniowej mogą Państwo napotkać wyzwania, takie jak:

• Przeuczenie w przypadku małych zbiorów danych.
• Wrażliwość na wartości odstające.
• Obsługa współliniowości wielu zmiennych.

Podsumowanie i kolejne kroki

W tej lekcji:

• Nauczyli się Państwo implementować regresję liniową z użyciem scikit-learn.
• Wykonali Państwo predykcje i zwizualizowali wyniki.
• Ocenili Państwo model za pomocą współczynnika R-kwadrat.

Następnie poznamy koncepcję regresji logistycznej stosowanej w problemach klasyfikacji.