Jadwal Kursus

Tutorials Python

• Tutorials Python
• Ringkasan Python
• Masuk ke Python
• Teks Python
• Komentar Python
• Variabel Python
• Tipe Data Python
• Angka Python
• Pemungutan Tipe Python
• String Python
• Boolean Python
• Operator Python
• Daftar Python
• Kumpulan Python
• Kumpulan Python
• Dikatakan Python
• If Else Python
• Pengulangan While Python
• Pengulangan For Python
• Fungsi Python
• Lambda Python
• Array Python
• Kelas/Objek Python
• Penerus Python
• Iterasi Python
• Kawasan Python
• Modul Python
• Tanggal Python
• JSON Python
• RegEx Python
• PIP Python
• Try Except Python
• Masukan Perintah Python
• Format String Python

Pemrosesan Berkas

• Buka Berkas Python
• Baca Berkas Python
• Penulisan/ Pembuatan Berkas Python
• Hapus Berkas Python

Python NumPy

• Ringkasan NumPy
• Masuk ke NumPy
• Membuat Array NumPy
• Indeks Array NumPy
• Memotong Array NumPy
• Tipe Data NumPy
• Salinan/View Array NumPy
• Bentuk Array NumPy
• Merubah Bentuk Array NumPy
• Iterasi Array NumPy
• Sambungkan Array NumPy
• Pisahkan Array NumPy
• Cari Array NumPy
• Urutkan Array NumPy
• Saring Array NumPy
• Acak NumPy
• ufunc NumPy

Pelatihan Mesin

• Masuk
• Model Median Rata-rata
• Standard Deviasi
• Pecahan Persen
• Pengedistribusian Data
• Pengedistribusian Data Normal
• Garis Bintang
• Regresi Linear
• Regresi Polinomial
• Regresi Multivariabel
• Skala
• Pelatihan/Pengujian
• Pohon Keputusan

Python MySQL

• MySQL Masuk
• MySQL Buat Pangkalan Data
• MySQL Buat Tabel
• MySQL Masukkan
• MySQL Pilih
• MySQL Di mana
• MySQL Isih Dengan
• MySQL Buang
• MySQL Buang Tabel
• MySQL Update
• MySQL Limit
• MySQL Join

Python MongoDB

• MongoDB Masuk
• MongoDB Buat Pangkalan Data
• MongoDB Buat Koleksi
• MongoDB Masukkan
• MongoDB Cari
• MongoDB Kueri
• MongoDB Isih
• MongoDB Buang
• MongoDB Buang Koleksi
• MongoDB Update
• MongoDB Limit

Panduan Referensi Python

• Gambaran referensi Python
• Fungsi bawaan Python
• Metode string Python
• Metode daftar Python
• Metode kamus Python
• Metode tuple Python
• Metode koleksi Python
• Metode file Python
• Kata kunci Python

Panduan referensi modul

• Modul acak
• Modul permintaan

Cara Kerja Python

• Hapus item berulang dalam daftar
• Balikkan string

Contoh Python

• Contoh Python
• Pengujian Python

Kursus pilihan

Rekomendasi Kursus:

• Panduan CodeW3C.com

Regresi Multifaktor (Multiple Regression)

Regresi multifaktor seperti regresi linear, tetapi memiliki nilai independen beberapa, yang berarti kami mencoba untuk memprediksi nilai satu berdasarkan dua atau lebih variabel.

Lihat data set di bawah ini, yang mengandung beberapa informasi tentang mobil.

Kami boleh ramal pengeluaran gas karbon dioksida kereta berdasarkan saiz kapasiti pengeluaran enjin, tetapi melalui regresi multifaktor, kami boleh memasukkan lebih banyak variabel, seperti berat kereta, untuk membuat ramalan lebih tepat.

Prinsip kerja

Dalam Python, kami mempunyai modul yang boleh melakukan pekerjaan ini. Pertama, import modul Pandas:

import pandas

Modul Pandas membolehkan kami membaca fail csv dan mengembalikan objek DataFrame.

Fail ini hanya untuk tujuan ujian, anda boleh muat turun di sini:cars.csv

df = pandas.read_csv("cars.csv")

Lalu daftar nilai independen, dan namakan variabel ini X.

Masukkan nilai relevan ke dalam variabel yang dinamakan y.

X = df[['Berat', 'Volume']]
y = df['CO2']

Petikan:Biasanya, nama senarai nilai independen adalah huruf besar XNama senarai nilai yang relevan adalah huruf kecil y。

Kami akan menggunakan beberapa method dalam modul sklearn, jadi kami juga mesti mengimport modul ini:

from sklearn import linear_model

Dalam modul sklearn, kami akan menggunakan LinearRegression() method untuk mencipta objek regresi linear.

Objek ini mempunyai method yang dinamakan fit() dengan cara, yang akan nilai independen dan nilai paten sebagai parameter, dan memenuhi objek regresi dengan data yang mendeskripsikan hubungan ini:

regr = linear_model.LinearRegression()
regr.fit(X, y)

Sekarang, kami mempunyai objek regresi yang boleh ramal nilai CO2 kereta berdasarkan berat dan kapasiti pengeluaran:

# Ramal pengeluaran gas karbon dioksida untuk kereta dengan berat 2300kg, kapasiti 1300ccm:
predictedCO2 = regr.predict([[2300, 1300]])

Contoh

Lihat contoh penuh di sini:

import pandas
from sklearn import linear_model
df = pandas.read_csv("cars.csv")
X = df[['Berat', 'Volume']]
y = df['CO2']
regr = linear_model.LinearRegression()
regr.fit(X, y)
# Ramal pengeluaran gas karbon dioksida untuk kereta dengan berat 2300kg, kapasiti 1300ccm:
predictedCO2 = regr.predict([[2300, 1300]])
print(predictedCO2)

Hasil:

[107.2087328]

Jalankan Contoh

Kami ramal, kereta dengan enjin 1.3 liter, berat 2300 kilogram, akan mengeluarkan kira-kira 107 gram gas karbon dioksida setiap kilometer yang dijalankan.

Coefficient

Coefficient adalah faktor yang mendeskripsikan hubungan dengan variabel yang tak dikenali.

Contohnya: jika x Adalah variabel, maka 2x Adalah x dwi kali.x Adalah variabel yang tak dikenali, nombor 2 Adalah coefficient.

Dalam keadaan ini, kami boleh meminta coefficient nilai berat untuk CO2, serta coefficient nilai volume untuk CO2. Jawapan yang kami dapatkan memberitahu kami, jika kita tambah atau kurang salah satu nilai independen, apa yang akan terjadi.

Contoh

Cetak coefficient nilai objek regresi:

import pandas
from sklearn import linear_model
df = pandas.read_csv("cars.csv")
X = df[['Berat', 'Volume']]
y = df['CO2']
regr = linear_model.LinearRegression()
regr.fit(X, y)
print(regr.coef_)

Hasil:

[0.00755095 0.00780526]

Jalankan Contoh

Pengertian hasil

Jumlah hasil menunjukkan coefficient nilai berat dan kapasiti pengeluaran.

Berat: 0.00755095
Volume: 0.00780526

Nilai ini memberitahu kami, jika berat bertambah 1g, pengeluaran CO2 akan bertambah 0.00755095g.

Jika saiz (volume) enjin bertambah 1 ccm, pengeluaran CO2 akan bertambah 0.00780526g.

Saya mendapati bahwa ini adalah perkiraan yang masuk akal, tetapi tetap lakukan pengujian!

Kami telah memperkirakan, jika sebuah kereta dengan mesin 1300ccm berat 2300 kilogram, emisi karbon dioksida akan sekitar 107 gram.

Apa yang akan terjadi jika kita tambahkan 1000g berat?

Contoh

Salin contoh sebelumnya, tetapi tingkatkan berat kereta dari 2300 ke 3300:

import pandas
from sklearn import linear_model
df = pandas.read_csv("cars.csv")
X = df[['Berat', 'Volume']]
y = df['CO2']
regr = linear_model.LinearRegression()
regr.fit(X, y)
predictedCO2 = regr.predict([[3300, 1300]])
print(predictedCO2)

Hasil:

[114.75968007]

Jalankan Contoh

Kami telah memperkirakan, sebuah kereta dengan mesin 1.3 liter, berat 3.3 ton, akan melepaskan sekitar 115 gram karbon dioksida setiap kali berjalan 1 kilometer.

Ini menunjukkan bahwa koefisien 0.00755095 adalah benar:

107.2087328 + (1000 * 0.00755095) = 114.75968

Alat Kecil

Panduan Referensi Python

Contoh Python

Pengujian Python

Pautan Pembandar