ကျယ်ပြန့်သော ပေါ်ပေါက်ဆိုင်ရာ စစ်တမ်း - အောက်ဆီကီ ပြောင်းလဲ

တိုးလျှော့ခြင်း

သင် အမျိုးမျိုး ပုံစံ ကို တွေ့ရှိရန် ကြိုးစားလျှင် အက္ခရာ “တိုးလျှော့ခြင်း” (regression) ကို အသုံးပြုသည်။

မိုက်ခရိုက် ပညာရှင်းလုပ်ငန်းနှင့် စကြဲဖော်စီစဉ်မှုများ တွင် ဒါဟာ အနာဂတ် အခြေအနေများ ကို ခန့်မှန်းရန် အသုံးပြုသည်။

线性回归

线性回归使用数据点之间的关系在所有数据点之间画一条直线。

这条线可以用来预测未来的值。


在机器学习中，预测未来非常重要。

工作原理

Python 提供了一些方法来查找数据点之间的关系并绘制线性回归线。我们将向您展示如何使用这些方法而不是通过数学公式。

在下面的示例中，x 轴表示车龄，y 轴表示速度。我们已经记录了 13 辆汽车通过收费站时的车龄和速度。让我们看看我们收集的数据是否可以用于线性回归：

အမှတ်အသား

首先绘制散点图：

import matplotlib.pyplot as plt
x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]
plt.scatter(x, y)
plt.show()

ရလဒ်：


အမှတ်အသား အစီအစဉ်

အမှတ်အသား

导入 scipy 并绘制线性回归线：

import matplotlib.pyplot as plt
from scipy import stats
x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]
slope, intercept, r, p, std_err = stats.linregress(x, y)
def myfunc(x):
  return slope * x + intercept
mymodel = list(map(myfunc, x))
plt.scatter(x, y)
plt.plot(x, mymodel)
plt.show()

ရလဒ်：


အမှတ်အသား အစီအစဉ်

例子解释

导入所需模块：

import matplotlib.pyplot as plt
from scipy import stats

创建表示 x 和 y 轴值的数组：

x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]

执行一个方法，该方法返回线性回归的一些重要键值：

slope, intercept, r, p, std_err = stats.linregress(x, y)

创建一个使用 slope 和 intercept 值的函数返回新值。这个新值表示相应的 x 值将在 y 轴上放置的位置：

def myfunc(x):
  return slope * x + intercept

အက်စတာ အဖွဲ့အစည်း ကို ပုံပြင်ပေါ်တွင် ပြသရာ အချက်အလက် အဖွဲ့အစည်း ကို ပြသရာ ပုံပြင်:

mymodel = list(map(myfunc, x))

အရွယ်အစား အချက်အလက် ပြသရာ ပုံပြင်:

plt.scatter(x, y)

အက်စ်လက်စတာ အဖွဲ့အစည်း အပြင်းအထား ပြသရာ ပုံပြင်:

plt.plot(x, mymodel)

ပြသရာ ပုံပြင်:

plt.show()

R-Squared

အခြေအနေ အရ အက်စတာကို အက်စတာကျူ နှင့် ကျူ အက်စတာ အကြား အကြုံးကြုံး ဘာတူ ဖြစ်ပါသည်၊ အကြုံးကြုံး မဟုတ် ဖြစ် ပါက အက်စ်လက်စတာ က အချက်အလက် ကို ချမှတ်ခြင်း မပြုနိုင်ပါ။

ပတ်ဝန်းကျင် ဘွဲ့ (r-squared)

r ဘွဲ့ အတိုင်း ၀ မှ ၁ ထိ ဖြင့် အားလုံး သဘောပေါက်၍ ဖြစ်သည်။ ၀ သည် အကြုံးကြုံး မဟုတ်၊ ၁ သည် ၁၀၀% ကြုံးကြုံး ဖြစ်ပါသည်。

Python နှင့် Scipy စက်တန်း သည် အမှတ် x နှင့် y အချက်အလက် ကို သို့မဟုတ် သင့် လုပ်ဆောင်ပါ။

အမှတ်အသား

ကျွန်တော်၏ အချက်အလက် သည် အက်စ်လက်စတာ တွင် ပျက်စီးသော ပုံစံမှာ ဘဲပါဘူး？

from scipy import stats
x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]
slope, intercept, r, p, std_err = stats.linregress(x, y)
print(r)

အမှတ်အသား အစီအစဉ်

အစီရင်ခံစာ:အကျိုးသုံး ၀.၇၆ သည် အချက်အလက် ကြား ရှိသော ပတ်ဝန်းကျင် ရှိသည်၊ သို့သော် အမြဲတမ်း အချက်အလက် မဟုတ်၊ သို့သော် အနာဂတ် အချက်အလက် ချမှတ်ခြင်း ကို အသုံးပြုနိုင်ပါသည်。

အနာဂတ် အချက်အလက် ချမှတ်ခြင်း

အခြေအနေ အက်စ်လက်စတာ ကို အသုံးပြု၍ အနာဂတ် အချက်အလက် ကို ချမှတ်ခြင်း ကို အကောင်းပြုပါ။

ဥပမာ: ကျွန်တော်တို့ ၁၀ နှစ် သက်တမ်း ရှိသော ကား၏ အသားချိန် ကို ချမှတ်ခြင်း ကို ကြိုးစားလုပ်ကြည်းပါ။

ထို့အတွက် ကျွန်တော်တို့ သည် အထက် အက်စ်လက်စတာ နှင့် အတူ myfunc() ပုဂ္ဂိုလ်ကျန်းမာရေး:

def myfunc(x):
  return slope * x + intercept

အမှတ်အသား

အခြေအနေ ၁၀ နှစ် အရွယ် ရှိသော ကား၏ အသားချိန် ကို ချမှတ်ခြင်း:

from scipy import stats
x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]
slope, intercept, r, p, std_err = stats.linregress(x, y)
def myfunc(x):
  return slope * x + intercept
speed = myfunc(10)
print(speed)

အမှတ်အသား အစီအစဉ်

အက်စ်လက်စတာ သည် ၈၅.၆ မှတ် ချမှတ်ခဲ့သည်၊ ပြင်ဝင်ရာ မှ လည်း ဖွတ်နိုင်ပါသည်:


ပျက်စီးသော အပြုပြင်မှုကို လုပ်ကြုံကြောင်းမရှိပါဘူး？

ကျွန်တော်တို့ သုံးပြီး ဖြစ်သော အက်စ်လက်စတာ သည် အနာဂတ် အချက်အလက် ကို ချမှတ်ခြင်း အကောင်းဆုံး မဖြစ်ပေ။

အမှတ်အသား

x နှင့် y အဆိုအစား အချက်အလက် အား လက်တွေသုံး အားလုံး အား အကြောင်းကြောင်း မပြုနိုင်ပါ။ အကြောင်းကြောင်း မပြု အား အကြောင်းကြောင်း မပြုဘဲ ပြောဆိုသည်။

import matplotlib.pyplot as plt
from scipy import stats
x = [89,43,36,36,95,10,66,34,38,20,26,29,48,64,6,5,36,66,72,40]
y = [21,46,3,35,67,95,53,72,58,10,26,34,90,33,38,20,56,2,47,15]
slope, intercept, r, p, std_err = stats.linregress(x, y)
def myfunc(x):
  return slope * x + intercept
mymodel = list(map(myfunc, x))
plt.scatter(x, y)
plt.plot(x, mymodel)
plt.show()

ရလဒ်：


အမှတ်အသား အစီအစဉ်

နှင့် r-squared အချက်အလက်

အမှတ်အသား

သင်သည် အလွန် ပြင်းထန် သော r-squared အချက်အလက် မရရှိဘဲဖြစ်သည်။

import numpy
from scipy import stats
x = [89,43,36,36,95,10,66,34,38,20,26,29,48,64,6,5,36,66,72,40]
y = [21,46,3,35,67,95,53,72,58,10,26,34,90,33,38,20,56,2,47,15]
slope, intercept, r, p, std_err = stats.linregress(x, y)
print(r)

အမှတ်အသား အစီအစဉ်

ရလဒ်：0.013 သည် ကြားနေရာ အန္တရာယ် ကြီးပြင်း ဖြစ် ပြီး အချက်အလက် စနစ် အကြောင်းအရာ အား လက်တွေသုံး မပြုဘဲ ပြောဆိုသည်。