Diese Art der Regression hat die Form:<\/span><\/p>\n Y = \u03b2 0<\/sub> +<\/sup> \u03b2 1<\/sub> X + \u03b2 2<\/sub> X 2<\/sup> + \u2026 + \u03b2 h<\/sub><\/span><\/p>\n wobei h<\/em> der \u201eGrad\u201c des Polynoms ist.<\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie Sie mit sklearn eine Polynomregression in Python durchf\u00fchren.<\/span><\/p>\n Erstellen wir zun\u00e4chst zwei NumPy-Arrays, um die Werte eines Pr\u00e4diktors und einer Antwortvariablen zu speichern:<\/span> <\/p>\n Aus dem Streudiagramm k\u00f6nnen wir erkennen, dass die Beziehung zwischen x und y nicht linear ist.<\/span><\/p>\n Daher ist es eine gute Idee, ein polynomiales Regressionsmodell an die Daten anzupassen, um die nichtlineare Beziehung zwischen den beiden Variablen zu erfassen.<\/span><\/p>\n Der folgende Code zeigt, wie sklearn-Funktionen verwendet werden, um ein Polynom-Regressionsmodell 3. Grades an diesen Datensatz anzupassen:<\/span><\/p>\n Mithilfe der in der letzten Zeile angezeigten Modellkoeffizienten k\u00f6nnen wir die angepasste polynomiale Regressionsgleichung wie folgt schreiben:<\/span><\/p>\n y = -0,109x 3<\/sup> + 2,256x 2<\/sup> \u2013 11,839x + 33,626<\/span><\/p>\n Diese Gleichung kann verwendet werden, um den erwarteten Wert der Antwortvariablen bei gegebenem Wert der vorhergesagten Variablen zu ermitteln.<\/span><\/p>\n Wenn x beispielsweise 4 ist, w\u00e4re der erwartete Wert f\u00fcr die Antwortvariable y 15,39:<\/span><\/p>\n y = -0,109(4) 3<\/sup> + 2,256(4) 2<\/sup> \u2013 11,839(4) + 33,626= 15,39<\/span><\/p>\n Hinweis<\/strong> : Um ein polynomiales Regressionsmodell mit einem anderen Grad anzupassen, \u00e4ndern Sie einfach den Wert des Gradarguments<\/strong> in der Funktion PolynomialFeatures()<\/strong> .<\/span><\/p>\n Schlie\u00dflich k\u00f6nnen wir ein einfaches Diagramm erstellen, um das an die urspr\u00fcnglichen Datenpunkte angepasste polynomielle Regressionsmodell zu visualisieren:<\/span><\/span> <\/p>\n Aus der Grafik k\u00f6nnen wir ersehen, dass das polynomiale Regressionsmodell gut zu den Daten zu passen scheint, ohne dass es zu einer \u00dcberanpassung kommt<\/a> .<\/span><\/p>\n Hinweis<\/strong> : Die vollst\u00e4ndige Dokumentation f\u00fcr die Funktion sklearn PolynomialFeatures()<\/strong> finden Sie hier<\/a> .<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben mit sklearn ausf\u00fchren:<\/span><\/p>\n So extrahieren Sie Regressionskoeffizienten aus sklearn<\/a> Die polynomielle Regression ist eine Technik, die wir verwenden k\u00f6nnen, wenn die Beziehung zwischen einer Pr\u00e4diktorvariablen und einer Antwortvariablen nichtlinear ist. Diese Art der Regression hat die Form: Y = \u03b2 0 + \u03b2 1 X + \u03b2 2 X 2 + \u2026 + \u03b2 h wobei h der \u201eGrad\u201c des Polynoms ist. Das folgende […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Schritt 1: Erstellen Sie die Daten<\/strong><\/span><\/h2>\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\nimport<\/span> numpy as<\/span> np\n\n#define predictor and response variables\n<\/span>x = np. array<\/span> ([2, 3, 4, 5, 6, 7, 7, 8, 9, 11, 12])\ny = np. array<\/span> ([18, 16, 15, 17, 20, 23, 25, 28, 31, 30, 29])\n\n#create scatterplot to visualize relationship between x and y\n<\/span>plt. scatter<\/span> (x,y)\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/polysk1.png\")
<\/p>\n Schritt 2: Passen Sie das polynomiale Regressionsmodell an<\/strong><\/span><\/h2>\n
from<\/span> sklearn. preprocessing<\/span> import<\/span> PolynomialFeatures\nfrom<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\n\n#specify degree of 3 for polynomial regression model\n#include bias=False means don't force y-intercept to equal zero<\/span>\npoly = PolynomialFeatures(degree= 3<\/span> , include_bias= False<\/span> )\n\n#reshape data to work properly with sklearn\n<\/span>poly_features = poly. fit_transform<\/span> ( x.reshape<\/span> (-1, 1))\n\n#fit polynomial regression model\n<\/span>poly_reg_model = LinearRegression()\npoly_reg_model. fit<\/span> (poly_features,y)\n\n#display model coefficients\n<\/span>print<\/span> (poly_reg_model. intercept_<\/span> , poly_reg_model. coef_<\/span> )\n\n33.62640037532282 [-11.83877127 2.25592957 -0.10889554]\n<\/strong><\/span><\/pre>\n Schritt 3: Visualisieren Sie das polynomiale Regressionsmodell<\/span><\/strong><\/h2>\n
#use model to make predictions on response variable\n<\/span>y_predicted = poly_reg_model. predict<\/span> (poly_features)\n\n#create scatterplot of x vs. y\n<\/span>plt. scatter<\/span> (x,y)\n\n#add line to show fitted polynomial regression model\n<\/span>plt. plot<\/span> (x,y_predicted,color=' purple<\/span> ')\n<\/strong><\/span><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/polysk2.png\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/span><\/strong><\/span><\/h2>\n
So berechnen Sie die ausgewogene Pr\u00e4zision mit sklearn<\/a>
So interpretieren Sie den Klassifizierungsbericht in Sklearn<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"