Scikit-learn ကို အသုံးပြု၍ polynomial regression ကို မည်သို့လုပ်ဆောင်မည်နည်း။

Polynomial regression သည် ကြိုတင်ခန့်မှန်းကိန်းရှင်နှင့် တုံ့ပြန်မှုကိန်းရှင် သည် linear မဟုတ်သည့်အခါ ကျွန်ုပ်တို့အသုံးပြုနိုင်သည့် နည်းလမ်းတစ်ခုဖြစ်သည်။

ဤဆုတ်ယုတ်မှုအမျိုးအစားသည် ပုံစံယူသည်-

Y = β ₀ ⁺ β ₁ X + β ₂ X ² + … + β _h

h သည် polynomial ၏ “ ဒီဂရီ” ဖြစ်သည်။

အောက်ဖော်ပြပါ အဆင့်ဆင့် ဥပမာသည် sklearn ကို အသုံးပြု၍ Python တွင် polynomial regression လုပ်ဆောင်ပုံကို ပြသထားသည်။

အဆင့် 1: ဒေတာကိုဖန်တီးပါ။

ပထမဦးစွာ၊ ခန့်မှန်းသူ၏တန်ဖိုးများနှင့် တုံ့ပြန်မှုကိန်းရှင်တစ်ခုအား ထိန်းသိမ်းရန် NumPy အခင်းအကျင်းနှစ်ခုကို ဖန်တီးကြပါစို့။

 import matplotlib. pyplot as plt
import numpy as np

#define predictor and response variables
x = np. array ([2, 3, 4, 5, 6, 7, 7, 8, 9, 11, 12])
y = np. array ([18, 16, 15, 17, 20, 23, 25, 28, 31, 30, 29])

#create scatterplot to visualize relationship between x and y
plt. scatter (x,y)

scatterplot မှ x နှင့် y အကြား ဆက်နွယ်မှုမှာ linear မဟုတ်ကြောင်း ကျွန်ုပ်တို့ သိနိုင်သည်။

ထို့ကြောင့် ကိန်းရှင်နှစ်ခုကြားတွင် မျဉ်းမညီသော ဆက်နွယ်မှုကို ဖမ်းယူရန်အတွက် ကိန်းရှင်နှစ်ခုကြားတွင် မျဉ်းဖြောင့်မဟုတ်သော ဆက်စပ်မှုကို ဖမ်းယူရန်အတွက် ကိန်းဂဏန်းများ ကိန်းဂဏန်းများ ဆုတ်ယုတ်မှုပုံစံကို ဒေတာနှင့် အံဝင်ခွင်ကျဖြစ်အောင် ပေါင်းစည်းရန် စိတ်ကူးကောင်းတစ်ခုဖြစ်သည်။

အဆင့် 2- polynomial ဆုတ်ယုတ်မှုပုံစံကို အံကိုက်လုပ်ပါ။

အောက်ဖော်ပြပါ ကုဒ်သည် ဤဒေတာအတွဲအတွက် ဒီဂရီ 3 ကိန်းဂဏန်း ဆုတ်ယုတ်မှုပုံစံကို အံဝင်ခွင်ကျဖြစ်စေရန်အတွက် sklearn လုပ်ဆောင်ချက်များကို မည်သို့အသုံးပြုရမည်ကို ပြသသည်-

 from sklearn. preprocessing import PolynomialFeatures
from sklearn. linear_model import LinearRegression

#specify degree of 3 for polynomial regression model
#include bias=False means don't force y-intercept to equal zero
poly = PolynomialFeatures(degree= 3 , include_bias= False )

#reshape data to work properly with sklearn
poly_features = poly. fit_transform ( x.reshape (-1, 1))

#fit polynomial regression model
poly_reg_model = LinearRegression()
poly_reg_model. fit (poly_features,y)

#display model coefficients
print (poly_reg_model. intercept_ , poly_reg_model. coef_ )

33.62640037532282 [-11.83877127 2.25592957 -0.10889554]

နောက်ဆုံးအတန်းတွင်ပြသထားသော model coefficients များကိုအသုံးပြု၍ တပ်ဆင်ထားသော polynomial regression equation ကို အောက်ပါအတိုင်းရေးနိုင်ပါသည်-

y = -0.109x ³ + 2.256x ² – 11.839x + 33.626

ခန့်မှန်းထားသောကိန်းရှင်၏ပေးထားသောတန်ဖိုးကိုပေးထားသောတုံ့ပြန်မှုကိန်းရှင်၏မျှော်မှန်းတန်ဖိုးကိုရှာဖွေရန် ဤညီမျှခြင်းအားအသုံးပြုနိုင်သည်။

ဥပမာ၊ x သည် 4 ဖြစ်ပါက၊ တုံ့ပြန်မှုကိန်းရှင်အတွက် မျှော်မှန်းတန်ဖိုးမှာ y သည် 15.39 ဖြစ်လိမ့်မည်။

y = -0.109(4) ³ + 2.256(4) ² – 11.839(4) + 33.626= 15.39

မှတ်ချက် – ခြားနားသောဒီဂရီတစ်ခုနှင့် polynomial ဆုတ်ယုတ်မှုပုံစံတစ်ခုကို အံဝင်ခွင်ကျဖြစ်စေရန်၊ PolynomialFeatures() လုပ်ဆောင်ချက်ရှိ ဒီဂရီ အငြင်းအခုံ၏တန်ဖိုးကို ပြောင်းလဲပါ။

အဆင့် 3- polynomial ဆုတ်ယုတ်မှုပုံစံကို မြင်ယောင်ကြည့်ပါ။

နောက်ဆုံးတွင်၊ မူရင်းဒေတာအချက်များနှင့် ကိုက်ညီသည့် polynomial regression model ကို မြင်သာစေရန် ရိုးရှင်းသော ကြံစည်မှုကို ဖန်တီးနိုင်သည်-

 #use model to make predictions on response variable
y_predicted = poly_reg_model. predict (poly_features)

#create scatterplot of x vs. y
plt. scatter (x,y)

#add line to show fitted polynomial regression model
plt. plot (x,y_predicted,color=' purple ')

ဂရပ်မှ၊ polynomial regression model သည် overfitting မရှိဘဲ data ကို ကောင်းမွန်စွာ အံဝင်ခွင်ကျဖြစ်ပုံရသည်။

မှတ်ချက် – sklearn PolynomialFeatures() လုပ်ဆောင်ချက်အတွက် စာရွက်စာတမ်းအပြည့်အစုံကို ဤနေရာတွင် ရှာဖွေနိုင်ပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် sklearn ကိုအသုံးပြု၍ အခြားဘုံအလုပ်များကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြသည်-

sklearn မှ regression coefficients များကို မည်သို့ထုတ်ယူမည်နည်း။
sklearn ကို အသုံးပြု၍ မျှတသောတိကျမှုကို တွက်ချက်နည်း
Sklearn တွင် အမျိုးအစားခွဲခြင်းအစီရင်ခံစာကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုမည်နည်း။