Course Schedule

Tutorial ng Python

• Tutorial ng Python
• Panimula ng Python
• Pagpasok sa Python
• Syntax ng Python
• Komentaryo ng Python
• Variable ng Python
• Uri ng Data ng Python
• Python Numbers
• Casting ng Python
• String ng Python
• Boolean ng Python
• Operator ng Python
• List ng Python
• Tuple ng Python
• Set ng Python
• Dictionary ng Python
• Python If Else
• While Loop ng Python
• For Loop ng Python
• Function ng Python
• Lambda ng Python
• Array ng Python
• Python Class/Object
• Inheritance ng Python
• Iteration ng Python
• Scope ng Python
• Module ng Python
• Date ng Python
• JSON ng Python
• RegEx ng Python
• PIP ng Python
• Try Except ng Python
• Python Command Input
• Format ng String ng Python

File Processing

• Bukas ng File ng Python
• Basa ng File ng Python
• Python Pagtatala ng File/Writing/Creation
• Pagtanggal ng File ng Python

Python NumPy

• Panimula ng NumPy
• Pagpasok sa NumPy
• Paglikha ng Array ng NumPy
• Index ng Array ng NumPy
• Pisalang ng Array ng NumPy
• Uri ng Data ng NumPy
• Kopya/View ng Array ng NumPy
• Hakbang ng Array ng NumPy
• Pagsasakop ng Array ng NumPy
• Iteration ng Array ng NumPy
• Pagkakabit ng Array ng NumPy
• Paghihiwalay ng Array ng NumPy
• Paghahanap ng Array ng NumPy
• Pagtatala ng Array ng NumPy
• Pagbubukas ng Array ng NumPy
• Random ng NumPy
• Ufuncs ng NumPy

Machine Learning

• Pagtutungo
• Average Median Pattern
• Standard Deviation
• Percentile
• Data Distribution
• Normal Data Distribution
• Scatter Plot
• Linear Regression
• Polynomial Regression
• Multivariate Regression
• Zoom
• Pagsasanay/Pagsusuri
• Decision Tree

Python MySQL

• MySQL Pagtutungo
• MySQL Tanggalina ang Database
• MySQL Tanggalina ang Table
• MySQL Insert
• MySQL Select
• MySQL Where
• MySQL Order By
• MySQL Delete
• MySQL Drop Table
• MySQL Update
• MySQL Limit
• MySQL Join

Python MongoDB

• MongoDB Pagtutungo
• MongoDB Tanggalina ang Database
• MongoDB Tanggalina ang Collection
• MongoDB Insert
• MongoDB Find
• MongoDB Query
• MongoDB Sort
• MongoDB Delete
• MongoDB Tanggalina ang Collection
• MongoDB Update
• Limit sa MongoDB

Python Reference Manual

• Pangkalahatang Kasulatan ng Python
• Mga Naibangong Function sa Python
• Mga Paraan ng String sa Python
• Mga Paraan ng List sa Python
• Mga Paraan ng Dictionary sa Python
• Mga Paraan ng Tuple sa Python
• Mga Paraan ng Collection sa Python
• Mga Paraan ng File sa Python
• Mga Keyword ng Python

Pamamahalang Kasulatan ng Module

• Random Module
• Module ng Paghingi

Python How To

• Tanggalhin ang mga Palitang Listahan
• Baligtarin ang String

Python Halimbawa

• Python Halimbawa
• Python Pagsusuri

Mga Pilihin na Kurso

Rekomendasyon ng Kurso:

• CodeW3C.com Pusong-kagamitan

Multivariate Regression (Multiple Regression)

Ang multivariate regression ay katulad ng linear regression ngunit may ilang indepedenteng halaga, ibig sabihin sinisikap naming makita ang isang halaga sa pamamagitan ng dalawang o higit pang variable.

Panghahalata ang datos na ito sa ibaba, na naglalaman ng ilang impormasyon tungkol sa sasakyan.

Maaari naming magpahintulot ng pagpahintulot ng paglabas ng di-oksido ng karbon ng sasakyan patungo sa puwang ng makina, ngunit sa pamamagitan ng pagbabalikbasa ng dalawang variable, maaari naming idagdag ng higit pang variable, tulad ng bigat ng sasakyan, upang gawing mas tumpak ang paghuhula.

Pamamaraan ng paggawa

Sa Python, mayroon kaming mga modulong puwedeng gawin ito. Una, ipasok ang modulong Pandas:

import pandas

Ang modulong Pandas ay nagbibigay-daan sa amin na basahin ang file na csv at ibalik ng isang DataFrame object.

Ang file na ito ay gamit lamang para sa layunin ng pagsusuri, maaari mong i-download dito:cars.csv

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

Pagkatapos, ilista ang malayang halaga, at ipangalan ang variable na ito na X.

Ilagay ang kaugnay na halaga sa variable na pangalan na y.

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

Mga payo:Kadalasan, ipangalan ang listahan ng malayang halaga bilang malaki na titik XAt ipangalan ang listahan ng kaugnay na halaga bilang maliliit na titik y.

Gagamitin namin ang ilang mga pamamaraan ng modulong sklearn, kaya dapat din namin ipasok ang modulong ito:

from sklearn import linear_model

Sa modulong sklearn, gagamitin namin ang LinearRegression() Mga pamamaraan na naglikha ng objekto ng pagbabalikbasa.

Ang objekto ay may isang pangalan na fit() Ang pamamaraan, na naglalarawan ng malayang at may kaugnayan na halaga bilang parameter, at naglalaman ng datos na naglalarawan ng relasyon na ginamit sa paglalaman ng objekto ng pagbabalikbasa:

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

Ngayon, mayroon kaming objekto ng pagbabalikbasa, na maaaring magpahintulot ng pagpahintulot ng halaga ng CO2 ng sasakyan patungo sa bigat at puwang:

# Pagpahintulot ng paglabas ng di-oksido ng karbon ng sasakyan na may bigat na 2300kg at puwang na 1300ccm:
predictedCO2 = regr.predict([[2300, 1300]])

Halimbawa

Pangkalahatang halimbawa:

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)
# Pagpahintulot ng paglabas ng di-oksido ng karbon ng sasakyan na may bigat na 2300kg at puwang na 1300ccm:
predictedCO2 = regr.predict([[2300, 1300]])
print(predictedCO2)

Resulta:

[107.2087328]

Paggamit ng Halimbawa

Inaasahan namin, na may makina na 1.3 litro, ang bigat ng 2300 kilo, ang sasakyan ay magpalabas ng humigit-kumulang 107 gramo ng di-oksido ng karbon sa bawat 1 kilometro na paglalakbay.

Katumbas

Ang katumbas ay ang kadahilanan na naglalarawan ng relasyon sa di alam na variable.

Halimbawa: Kung x Ito ay variable, kaya 2x Ito ay x ng dalawang beses.x Ito ay di alam na variable, ang numero 2 Ito ay katumbas.

Sa kasong ito, maaari naming hingi ng katumbas ng bigat patungo sa CO2, at ang puwang patungo sa CO2. Ang sagot na aming nakakita ay nagsasabi, kung aminin o bawasan ang isa sa mga malayang halaga, anong mangyayari.

Halimbawa

Magprint ng katumbas ng objekto ng pagbabalikbasa:

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_)

Resulta:

[0.00755095 0.00780526]

Paggamit ng Halimbawa

Paliwanag ng resulta

Ang resulta ng array ay naglalarawan ng katumbas ng bigat at puwang na halaga.

Weight: 0.00755095
Volume: 0.00780526

Ang mga ito ay nagsasabi, kung ang bigat ay tumaas ng 1g, ang paglabas ng CO2 ay tataas ng 0.00755095g.

Kung ang sukat ng makina (kubikong metro) ay tumaas ng 1 ccm, ang paglabas ng CO2 ay tataas ng 0.00780526g.

Naniniwala ako na ito ay isang makatwirang pagtantiya, ngunit mangyaring gawin ang pagsusuri!

Nagpahiwatig namin na kung ang isang sasakyan na may 1300ccm na makina at 2300 kilogram na timbang, ang halaga ng paglabas ng carbon dioxide ay tungkol sa 107 gramo.

Ano kung magdagdag kami ng 1000g ng timbang?

Halimbawa

Kopyahin ang nakaraang halimbawa, ngunit palitan ang timbang ng sasakyan mula 2300 hanggang 3300:

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)

Resulta:

[114.75968007]

Paggamit ng Halimbawa

Nagpahiwatig namin na ang isang sasakyan na may 1.3 litrong makina, 3.3 tonelada ang timbang, ay magpalabas ng tungkol sa 115 gramo ng carbon dioxide kada 1 kilometro na sasakyan.

Ito ay nagpapakita na ang katumbas ng 0.00755095 ay tama:

107.2087328 + (1000 * 0.00755095) = 114.75968

Toolbox

Python Reference Manual

Python Halimbawa

Python Pagsusuri

Link ng Sponsor