ကာလဘောင်း စာကြိုးချက် - အဆိုအရင် အချိန်

多元回归（Multiple Regression）

多元回归就像线性回归一样，但是具有多个独立值，这意味着我们试图基于两个或多个变量来预测一个值。

အောက်ပါသည့်အချက်အလက်များကိုကြည့်ပါ၊ အင်္ဂါတိုက်အက်ဖက်တိုက်များကိုပါဝင်သည်。

Car Model Volume Weight CO2
Toyota Aygo 1000 790 99
Mitsubishi Space Star 1200 1160 95
Skoda Citigo 1000 929 95
Fiat 500 900 865 90
Mini Cooper 1500 1140 105
VW Up! 1000 929 105
Skoda Fabia 1400 1109 90
Mercedes A-Class 1500 1365 92
Ford Fiesta 1500 1112 98
Audi A1 1600 1150 99
Hyundai I20 1100 980 99
Suzuki Swift 1300 990 101
Ford Fiesta 1000 1112 99
Honda Civic 1600 1252 94
Hundai I30 1600 1326 97
Opel Astra 1600 1330 97
BMW 1 1600 1365 99
Mazda 3 2200 1280 104
Skoda Rapid 1600 1119 104
Ford Focus 2000 1328 105
Ford Mondeo 1600 1584 94
Opel Insignia 2000 1428 99
Mercedes C-Class 2100 1365 99
Skoda Octavia 1600 1415 99
Volvo S60 2000 1415 99
Mercedes CLA 1500 1465 102
Audi A4 2000 1490 104
Audi A6 2000 1725 114
Volvo V70 1600 1523 109
BMW 5 2000 1705 114
Mercedes E-Class 2100 1605 115
Volvo XC70 2000 1746 117
Ford B-Max 1600 1235 104
BMW 2 1600 1390 108
Opel Zafira 1600 1405 109
Mercedes SLK 2500 1395 120

我们可以根据发动机排量的大小预测汽车的二氧化碳排放量，但是通过多元回归，我们可以引入更多变量，例如汽车的重量，以使预测更加准确。

工作原理

在 Python 中，我们拥有可以完成这项工作的模块。首先导入 Pandas 模块：

import pandas

Pandas 模块允许我们读取 csv 文件并返回一个 DataFrame 对象。

此文件仅用于测试目的，您可以在此处下载：cars.csv

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

然后列出独立值，并将这个变量命名为 X。

将相关值放入名为 y 的变量中。

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

提示：通常，将独立值列表命名为大写 X，将相关值列表命名为小写 y。

我们将使用 sklearn 模块中的一些方法，因此我们也必须导入该模块：

from sklearn import linear_model

在 sklearn 模块中，我们将使用 LinearRegression() sklearn အက္ခရာပိုင်း တွင် သုံးသည်။

LinearRegression() အဆိုပါ ကိရိယာ သည် အမည်အဖြစ် fit()

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

အခြေအနေတွင် ကျွန်ုပ်သည် ကိရိယာ၏ ပြည့်စုံမှု နှင့် ပိုင်းဆိုင် အချက်အလက် အပေါ် ပြည့်စုံမှု အကြောင်း ခန့်မှန်းခြင်း အား လုပ်ကိုင်နိုင်သော ကိရိယာ တစ်ခု ကို ရရှိခဲ့ပါသည်။

# ပြည့်စုံမှု 2300kg နှင့် ပိုင်းဆိုင် 1300ccm ရှိ ကိရိယာ သည် CO2 အငွေ့အခဲ ကို ထုတ်လုပ်ခြင်း အကြောင်း ကို ခန့်မှန်းခြင်း:
predictedCO2 = regr.predict([[2300, 1300]])

အမှတ်အသား

အပြီးအပိုင်း အကျယ်အဝန်း:

import pandas
from sklearn import linear_model
df = pandas.read_csv("cars.csv")
X = df[['Weight', 'Volume']]
y = df['CO2']
regr = linear_model.LinearRegression()
regr.fit(X, y)
# ပြည့်စုံမှု 2300kg နှင့် ပိုင်းဆိုင် 1300ccm ရှိ ကိရိယာ သည် CO2 အငွေ့အခဲ ကို ထုတ်လုပ်ခြင်း အကြောင်း ကို ခန့်မှန်းခြင်း:
predictedCO2 = regr.predict([[2300, 1300]])
print(predictedCO2)

ရလဒ်

[107.2087328]

အမှတ်အသား လုပ်

ကျွန်ုပ်သည် 1.3 လီနီယာ အင်ဂျင်နို့မှုန်း နှင့် ပြည့်စုံမှု 2300 ကီဂါ အား အပျက်အစီး လုပ်ကိုင်လျှင် တစ် ကီလိုမီတာ ကို လုပ်ကိုင်ခြင်း အတွက် ကိရိယာ သည် နှစ်ဆယ် ကီဂါ ခန့် ကို ထုတ်လုပ်သော CO2 အငွေ့အခဲ သည် လုံးဝ ဖြစ်ပါသည်。

သံသတ်

သံသတ် သည် အစိတ်အပိုင်း နှင့် သံသတ် အကြား အပြဿာပြား ကို ကိုင်တွယ်သည်။

အမှတ်အသား: အဆိုပါ x အစိတ်အပိုင်း သံသတ် 2x x တစ်ဆယ့်ကို ကိုx အစိတ်အပိုင်း 2 သံသတ်

အဆိုပါ အခြေအနေတွင် ပြည့်စုံမှု နှင့် CO2 အကြား သံသတ် အချက်အလက် နှင့် ပိုင်းဆိုင် နှင့် CO2 အကြား သံသတ် အချက်အလက် ကို သင့်ကြောင်း ကို သင့်ကြောင်း အောင်မြင်ခဲ့ပါသည်။ ကျွန်ုပ်သည် အဆိုပါ အောင်မြင်ချက် သည် အစိတ်အပိုင်း တစ်ခု ကို တိုးမြင့်စွာ သို့မဟုတ် နည်းပါးစွာ လုပ်ခြင်း အကြောင်း ကို ပြောကြားသည်。

အမှတ်အသား

သုံးသပ်ရန် ကိရိယာအား သုံးသပ်ခြင်း:

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

ရလဒ်

[0.00755095 0.00780526]

အမှတ်အသား လုပ်

ရလဒ်အသုံးပြု

ရလဒ်တို့က ပြည့်စုံမှု နှင့် အငွေ့အခဲ သည် သံသတ် အချက်အလက် များ ကို ကိုင်တွယ်သည်。

ပြည့်စုံမှု: 0.00755095
ပိုင်းဆိုင်: 0.00780526

အဆိုပါ အချက်အလက်များ သည် ပြောကြားသည်၊ ပြည့်စုံမှု 1g တိုးမြင့်လျှင် ကိရိယာကို ထုတ်လုပ်သော CO2 အငွေ့အခဲ သည် 0.00755095g ခန့် တိုးမြင့်လာပါသည်。

အင်ဂျင်နို့မှုန်းအရွယ် (ပိုင်းဆိုင်) သည် 1 စီမီတာ ခန့် တိုးမြင့်လျှင် ကိရိယာကို ထုတ်လုပ်သော CO2 အငွေ့အခဲ သည် 0.00780526g ခန့် တိုးမြင့်လာပါသည်。

我认为这是一个合理的猜测，但还是请进行测试！

ကျန်းမာရေး ကို ခန့်မှန်းခဲ့သည်။ ၁၃၀၀ဂါဂျဘာ အင်ဂျင်နီယံ ကို လက်ခံနိုင်သော ကား ၂၃၀၀ ဂိတ် ကျော် သည်၊ ခန့်မှန်း ၁၀၇ ဂါဂျဘာ ကို ထုတ်လွှတ်သည်။

အားလုံး ၁၀၀၀ဂါဂျဘာ ကို ထပ်ပေါင်း လျှင် ဘယ်လိုသလဲ？

အမှတ်အသား

အထင်ကို ပြုပြင် သော အမှတ်အသား သို့မဟုတ် အင်ဂျင်နီယံ ကို ပြောင်းလဲ ပြီး အားလုံး ကို ၃၃၀၀ တန် ဖြစ်စေ

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

ရလဒ်

[114.75968007]

အမှတ်အသား လုပ်

ကျန်းမာရေး ကို ခန့်မှန်းခဲ့သည်။ 1.3 လက်မ အင်ဂျင်နီယံ အားလုံး ကို လက်ခံနိုင်သော ကား ၃.၃ တန် ဂိတ် ကျော် သည်၊ တစ် ကီလိုမီတာ ကို လမ်းကြောင်း တက်ရာတွင် ခန့်မှန်း ၁၁၅ ဂါဂျဘာအင် ကို ထုတ်လွှတ်သည်။

ဤသည် 0.00755095 ကို အချက်ပြခြင်း ဖြစ်သည်။

107.2087328 + (1000 * 0.00755095) = 114.75968