Makine Öğrenimi - Çoklu Geri Bildirim

Çoklu回归（Multiple Regression）

Çoklu回归（Multiple Regression）benzer şekilde lineer回归dır, ancak birden fazla bağımsız değer içerir, bu da iki veya daha fazla değişkene dayanarak bir değeri tahmin etmeye çalıştığımız anlamına gelir.

Lütfen aşağıdaki veri setini görün, içinde bazı otomobil bilgileri bulunmaktadır.

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

MOTOR hacmi büyüklüğüne göre arabanın CO2 salım miktarını tahmin edebiliriz, ancak çoklu geri bildirimle daha fazla değişken, örneğin arabanın ağırlığı ekleyerek tahmini daha doğru hale getirebiliriz.

Çalışma prensibi

Python'da bu işi yapabilecek modüllere sahibiz. Öncelikle Pandas modülünü içe aktarın:

import pandas

Pandas modülü, csv dosyalarını okuyup DataFrame nesnesi olarak döndürebilir.

Bu dosya yalnızca test amaçlı kullanılır, buradan indirebilirsiniz:cars.csv

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

Daha sonra bağımsız değerleri sıralayın ve bu değişkeni 'X' adlandırın.

İlişkili değerleri 'y' adlı bir değişkende tutun.

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

İpucu:Genellikle bağımsız değer listesini büyük harflerle adlandırıyoruz Xilişkili değer listesini küçük harflerle adlandırıyoruz y.

sklearn modülünde bazı yöntemleri kullanacağız, bu yüzden bu modülü de içe aktarmalıyız:

from sklearn import linear_model

sklearn modülünde, bu modülde LinearRegression() metodu oluşturur bir lineer geri bildirim nesnesi.

Bu nesne adlı bir fit() yöntemi, bu yöntem bağımsız değerleri ve bağımlı değerleri parametre olarak alır ve bu ilişkiyi tanımlayan verileri geri bildirim nesnesine doldurur:

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

Şimdi, arabanın ağırlığı ve hacmine dayanarak CO2 değerlerini tahmin edebileceğimiz bir geri bildirim nesnesi elde ettik:

# 2300kg ağırlığında, 1300ccm hacimde bir arabanın CO2 salım miktarını tahmin et:
predictedCO2 = regr.predict([[2300, 1300]])

实例

Tam örnek bakın:

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)
# 2300kg ağırlığında, 1300ccm hacimde bir arabanın CO2 salım miktarını tahmin et:
predictedCO2 = regr.predict([[2300, 1300]])
print(predictedCO2)

结果：

[107.2087328]

运行实例

Öngörüyoruz, 1.3 litre motorlu, 2300 kilogram ağırlığında bir arabanın, 1 kilometre yolculuk yaparken yaklaşık 107 gram CO2 salacak.

Katsayı

Katsayı, bilinmeyen değişkenle ilişkiyi tanımlayan faktördür.

örneğin: eğer x değişkendir, ise 2x Bu x kati iki katıdır.x Bu bilinmeyen değişkendir, sayısal 2 Bu katsayıdır.

Bu durumda, ağırlığın CO2'ye göre katsayı değerini, hacmin CO2'ye göre katsayı değerini talep edebiliriz. Aldığımız cevaplar, bir bağımsız değeri artırırsak veya azaltırsak neler olacağını bize söyler.

实例

Geri bildirim nesnesinin katsayı değerlerini yazdırın:

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_)

结果：

[0.00755095 0.00780526]

运行实例

Sonuç açıklaması

Sonuç dizisi, ağırlık ve hacmin katsayı değerlerini temsil eder.

Ağırlık: 0.00755095
Hacim: 0.00780526

Bu değerler bize, ağırlık 1g artarsa CO2 salım miktarının 0.00755095g artacağını söyler.

Motorun boyutu (hacmi) 1 ccm artarsa, CO2 salım miktarı 0.00780526g artacaktır.

我认为这是一个合理的猜测，但还是请进行测试！

我们已经预言过，如果一辆配备 1300ccm 发动机的汽车重 2300 千克，则二氧化碳排放量将约为 107 克。

如果我们增加 1000g 的重量会怎样？

实例

复制之前的例子，但是将车重从 2300 更改为 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)

结果：

[114.75968007]

运行实例

我们已经预测，配备 1.3 升发动机，重量为 3.3 吨的汽车，每行驶 1 公里，就会释放约 115 克二氧化碳。

这表明 0.00755095 的系数是正确的：

107.2087328 + (1000 * 0.00755095) = 114.75968