အက်သုံးနည်း - ပုံစံပြန်သိန်း

ပိုမိုလေးစား သုံးပတ်လည် (Polynomial Regression)

ကင်းတူးကြောင်း သုံးပတ်လည် တွင် သင့်သည့် အချက်အလက်များ မရှိဘဲ ဖြစ်လာကြောင်း တွေ့ရှိခဲ့လျှင် အသုံးပြုသည် နှင့် သုံးပတ်လည် အသုံးပြုသည် ဖြစ်ကောင်း၍ နှင့် ပိုမိုလေးစား အသုံးပြုသည် အမျိုးအစား ကို ချဲ့ထွင်းနိုင်သည်။

像线性回归一样，多项式回归使用变量 x 和 y 之间的关系来找到绘制数据点线的最佳方法。


工作原理

Python 有一些方法可以找到数据点之间的关系并画出多项式回归线。我们将向您展示如何使用这些方法而不是通过数学公式。

在下面的例子中，我们注册了 18 辆经过特定收费站的汽车。

我们已经记录了汽车的速度和通过时间（小时）。

x 轴表示一天中的小时，y 轴表示速度：

အမှတ်အသား

首先绘制散点图：

import matplotlib.pyplot as plt
x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]
plt.scatter(x, y)
plt.show()

ရလဒ်:


အမှတ်အသား တစ်ခု လုပ်

အမှတ်အသား

导入 numpy 和 matplotlib，然后画出多项式回归线：

import numpy
import matplotlib.pyplot as plt
x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]
mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))
myline = numpy.linspace(1, 22, 100)
plt.scatter(x, y)
plt.plot(myline, mymodel(myline))
plt.show()

ရလဒ်:


အမှတ်အသား တစ်ခု လုပ်

例子解释

导入所需模块：

import numpy
import matplotlib.pyplot as plt

创建表示 x 和 y 轴值的数组：

x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]

NumPy 有一种方法可以让我们建立多项式模型：

mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))

然后指定行的显示方式，我们从位置 1 开始，到位置 22 结束：

myline = numpy.linspace(1, 22, 100)

အချက်အလက် အပိုင်းအခါ ကြီး ကို ပြသပါ：

plt.scatter(x, y)

ပိုင်းအခါ ကျသမှာ အပိုင်းအခါ ကြီး ကို ပြသပါ：

plt.plot(myline, mymodel(myline))

အချက်အလက် ကို ပြသပါ：

plt.show()

R-Squared

အခြေအနေ ကြောင်း အကျယ်း ကို သိရှိရန် အလိုအားလျော်သည်၊ အကျယ်း မရှိဘဲ အခြေအနေ ကြောင်း အကျယ်း မရှိဘဲ အပိုင်းအခါ ကျသမှာ ခန့်မှန်းနိုင်သေးသည်。

အကျယ်း အကျယ်း ကို အမှတ်အသားချပါ၊ r-squared ဟု ခေါ်သည်。

r ပိုင်း အကျယ်း ကို ၀ မှ ၁ ထိ ခန့်မှန်းပါ၊ ၀ က မတူညီသေးသည် ဟု ညွှန်းပြီး ၁ က ၀၀၀၀၀ အရေးသတ်ချက် ဖြစ်သည်。

Python နှင့် Sklearn အဆိုပါ အစိတ်အပိုင်း က အကျိုးသတ္တု ကို ခန့်မှန်းပါ၊ သင်သည် လိုအပ်သော အရာ မှာ x နှင့် y အတွက် အတွက်ချက် အတိုင်း ပြုလုပ်ပါ

အမှတ်အသား

ကျွန်တော်မှ အချက်အလက် ကို ပိုမိုကျယ်ကျယ် ကျသမှာ အပိုင်းအခါ ကျသမှာ မည်ဆိုဖြစ်သလား？

import numpy
from sklearn.metrics import r2_score
x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]
mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))
print(r2_score(y, mymodel(x)))

အမှတ်အသား တစ်ခု လုပ်

အစီအစဉ်များ：အကျိုးသတ္တု ၀.၉၄ က အခြေအနေ ကြောင်း ကောင်းသော ပတ်ဝန်းကျင် ကို တွေ့ရပြီး အိမ်ရှင် အချက်အလက် ကို ခန့်မှန်းရန် အသုံးပြုနိုင်သော အပိုင်းအခါ ကျသမှာ ဖြစ်ပါသည်。

အိမ်ရှင် အချက်အလက် ခန့်မှန်းခြင်း

ယခုအခါ ကမ္ဘာ့အချက်အလက် ကို အသုံးပြု၍ အိမ်ရှင် အချက်အလက် ကို ခန့်မှန်းနိုင်ပါသည်。

ဥပမာ: ညနေ ၁၇ နာရီ ခန့် ကုန်းကိုင်ကိုင် လမ်းကြောင်း ကြီး ခန့်မှန်းပါ

အရာမှာ ဤအချက်အလက် နှင့် တူညီသော အချက်အလက် ကို သို့မဟုတ် mymodel အတွက်ချက်：

mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))

အမှတ်အသား

ညနေ ၁၇ နာရီ အချက်အလက် ကို ခန့်မှန်းပါ：

import numpy
from sklearn.metrics import r2_score
x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]
mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))
speed = mymodel(17)
print(speed)

အမှတ်အသား တစ်ခု လုပ်

ဤအချက်အလက် အစီအစဉ် ပြီး အချက်အလက် ကို ခန့်မှန်းပါ၊ ထို့ပြင် ယင်းအချက်အလက် ကို ကြည့်ရတာ မှာ နှင်းနှင်းချင်းဖြစ်ပါသည်：


အကျယ်းကျယ်းသော အပိုင်းအခါ ကျသမှာမည်ဆိုဖြစ်သလား？

ကျွန်တော်တို့ တစ်ခုခု အကြောင်းကြောင်း ကို တည်ဆောက်ပါ၊ ထိုအခါ ပိုမိုသုံးစွဲသော နည်းလမ်း မှာ အလိုအားလျော် သုံးစွဲနိုင်သော အပိုင်းအခါ အရေးသတ်ချက် မဟုတ်။

အမှတ်အသား

x နှင့် y အရိပ် အချက်အလက် သည် ပိုမိုတိုးမြှင့် ကြောက်သည် အတူ ပြုလုပ်သည်

import numpy
import matplotlib.pyplot as plt
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]
mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))
myline = numpy.linspace(2, 95, 100)
plt.scatter(x, y)
plt.plot(myline, mymodel(myline))
plt.show()

ရလဒ်:


အမှတ်အသား တစ်ခု လုပ်

r-squared အချက်အလက် အတွက်

အမှတ်အသား

သင်သည် အကြီးအကျယ် နည်းပါးသော r-squared အချက်အလက် ကို ရရှိသင့်ပါ

import numpy
from sklearn.metrics import r2_score
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]
mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))
print(r2_score(y, mymodel(x)))

အမှတ်အသား တစ်ခု လုပ်

ရလဒ်: 0.00995 သည် ပတ်ဝန်းကျင် ကျဆင်းသည် ကို ကိုးကွယ်ပြီး အချက်အလက် စက္ခု သည် ပိုမိုတိုးမြှင့် ကြောက်သည် ကို အခိုင်အမာပြောဆိုသည်