Statsmodels တွင် ဆုတ်ယုတ်မှုပုံစံကို အသုံးပြု၍ ခန့်မှန်းချက်ပြုလုပ်နည်း

လေ့လာတွေ့ရှိချက်အသစ်များနှင့်ပတ်သက်၍ ခန့်မှန်းချက်များပြုလုပ်ရန် Python ရှိ statsmodels module ကိုအသုံးပြု၍ လိုက်လျောညီထွေရှိသော regression model ကိုအသုံးပြုရန် အောက်ပါအခြေခံ syntax ကိုသုံးနိုင်သည်။

 model. predict (df_new)

ဤ သီးခြား syntax သည် df_new ဟုခေါ်သော DataFrame အသစ်တစ်ခုစီ၏ အတန်းတစ်ခုစီအတွက် ကြိုတင်ခန့်မှန်းထားသော တုံ့ပြန်မှုတန်ဖိုးများကို တွက်ချက်ပေးမည်ဖြစ်ပြီး၊ မော်ဒယ် ဟုခေါ်သော ကိန်းဂဏန်းအချက်အလက်များအတွက် သင့်လျော်သော ဆုတ်ယုတ်မှုပုံစံကို အသုံးပြု၍ တွက်ချက်ပေးမည်ဖြစ်သည်။

အောက်ဖော်ပြပါ ဥပမာသည် ဤ syntax ကို လက်တွေ့တွင် မည်သို့အသုံးပြုရမည်ကို ပြသထားသည်။

ဥပမာ- Statsmodels တွင် ဆုတ်ယုတ်မှုပုံစံကို အသုံးပြု၍ ခန့်မှန်းချက်များ ပြုလုပ်ခြင်း။

ကျွန်ုပ်တို့တွင် သင်ကြားခဲ့သည့် နာရီများ၊ ကြိုတင်ပြင်ဆင်မှုစာမေးပွဲများနှင့် အတန်းတစ်ခုရှိ ကျောင်းသားမှရရှိသော နောက်ဆုံးအဆင့်များအကြောင်း အချက်အလက်များပါရှိသော အောက်ပါပန်ဒါ DataFrame ရှိသည်ဆိုပါစို့။

 import pandas as pd

#createDataFrame
df = pd. DataFrame ({' hours ': [1, 2, 2, 4, 2, 1, 5, 4, 2, 4, 4, 3, 6],
                   ' exams ': [1, 3, 3, 5, 2, 2, 1, 1, 0, 3, 4, 3, 2],
                   ' score ': [76, 78, 85, 88, 72, 69, 94, 94, 88, 92, 90, 75, 96]})

#view head of DataFrame
df. head ()

	hours exam score
0 1 1 76
1 2 3 78
2 2 3 85
3 4 5 88
4 2 2 72

ကျွန်ုပ်တို့သည် များပြားလှသောမျဉ်းကြောင်းဆုတ်ယုတ်မှုပုံစံ နှင့်ကိုက်ညီရန် statsmodels module ၏ OLS() လုပ်ဆောင်ချက်ကို “ နာရီ” နှင့် “ စာမေးပွဲများ” ကို ခန့်မှန်းသူကိန်းရှင်များနှင့် တုံ့ပြန်မှုကိန်းရှင်အဖြစ် “ ရမှတ်” ကိုအသုံးပြု၍ အသုံးပြုနိုင်ပါသည်။

 import statsmodels. api as sm

#define predictor and response variables
y = df[' score ']
x = df[[' hours ', ' exams ']]

#add constant to predictor variables
x = sm. add_constant (x)

#fit linear regression model
model = sm. OLS (y,x). fit ()

#view model summary
print ( model.summary ())

                            OLS Regression Results                            
==================================================== ============================
Dept. Variable: R-squared score: 0.718
Model: OLS Adj. R-squared: 0.661
Method: Least Squares F-statistic: 12.70
Date: Fri, 05 Aug 2022 Prob (F-statistic): 0.00180
Time: 09:24:38 Log-Likelihood: -38.618
No. Observations: 13 AIC: 83.24
Df Residuals: 10 BIC: 84.93
Df Model: 2                                         
Covariance Type: non-robust                                         
==================================================== ============================
                 coef std err t P>|t| [0.025 0.975]
-------------------------------------------------- ----------------------------
const 71.4048 4.001 17.847 0.000 62.490 80.319
hours 5.1275 1.018 5.038 0.001 2.860 7.395
exams -1.2121 1.147 -1.057 0.315 -3.768 1.344
==================================================== ============================
Omnibus: 1,103 Durbin-Watson: 1,248
Prob(Omnibus): 0.576 Jarque-Bera (JB): 0.803
Skew: -0.289 Prob(JB): 0.669
Kurtosis: 1.928 Cond. No. 11.7
==================================================== ============================

အထွက်ရှိ coef ကော်လံမှ၊ တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုပုံစံကို ရေးသားနိုင်သည်-

ရမှတ် = 71.4048 + 5.1275 (နာရီ) – 1.2121 (စာမေးပွဲများ)

ယခု ကျွန်ုပ်တို့သည် ကျောင်းသားအသစ်ငါးဦး၏ “ ရမှတ်” ကို ခန့်မှန်းရန် တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုပုံစံကို အသုံးပြုလိုသည်ဆိုပါစို့။

ပထမဦးစွာ၊ လေ့လာတွေ့ရှိချက်အသစ်ငါးခုကိုထိန်းထားရန် DataFrame တစ်ခုကိုဖန်တီးကြပါစို့။

 #create new DataFrame
df_new = pd. DataFrame ({' hours ': [1, 2, 2, 4, 5],
                       ' exams ': [1, 1, 4, 3, 3]})

#add column for constant
df_new = sm. add_constant (df_new)

#view new DataFrame
print (df_new)

   const hours exams
0 1.0 1 1
1 1.0 2 1
2 1.0 2 4
3 1.0 4 3
4 1.0 5 3

ထို့နောက်၊ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုပုံစံရှိ ကြိုတင်ခန့်မှန်းကိန်းရှင်များအတွက် တန်ဖိုးများအဖြစ် “ နာရီ” နှင့် “ စာမေးပွဲများ” ကို အသုံးပြု၍ ဤကျောင်းသားတစ်ဦးစီအတွက် “ ရမှတ်” ကို ခန့်မှန်းရန် ခန့်မှန်း() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်ပါသည်။

 #predict scores for the five new students
model. predict (df_new)

0 75.320242
1 80.447734
2 76.811480
3 88.278550
4 93.406042
dtype:float64

ဤသည်မှာ ရလဒ်ကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သည်-

• DataFrame အသစ်တွင် ပထမဆုံးကျောင်းသားသည် ရမှတ် 75.32 ရရှိရန် မျှော်လင့်ပါသည်။
• DataFrame အသစ်တွင် ဒုတိယကျောင်းသားသည် ရမှတ် 80.45 ရရှိရန် မျှော်လင့်ပါသည်။

နောက် … ပြီးတော့။

ဤခန့်မှန်းချက်များကို မည်သို့တွက်ချက်ထားသည်ကို နားလည်ရန်၊ ကျွန်ုပ်တို့သည် ယခင်တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုပုံစံကို ကိုးကားရန် လိုအပ်သည်-

ရမှတ် = 71.4048 + 5.1275 (နာရီ) – 1.2121 (စာမေးပွဲများ)

ကျောင်းသားအသစ်များအတွက် “ နာရီ” နှင့် “ စာမေးပွဲများ” ၏တန်ဖိုးများကိုထည့်သွင်းခြင်းဖြင့်၊ ကျွန်ုပ်တို့သည် ၎င်းတို့၏ ခန့်မှန်းရမှတ်များကို တွက်ချက်နိုင်ပါသည်။

ဥပမာအားဖြင့်၊ DataFrame အသစ်တွင် ပထမဆုံးကျောင်းသားသည် နာရီများအတွက် 1 တန်ဖိုးနှင့် စာမေးပွဲများအတွက် 1 တန်ဖိုးရှိသည်။

ထို့ကြောင့် ၎င်းတို့၏ ခန့်မှန်းရမှတ်ကို အောက်ပါအတိုင်း တွက်ချက်ခဲ့သည်။

ရမှတ် = 71.4048 + 5.1275(1) – 1.2121(1) = 75.32 ။

DataFrame အသစ်တွင် ကျောင်းသားတစ်ဦးစီ၏ရမှတ်ကို တူညီသောနည်းဖြင့် တွက်ချက်ထားပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ပါ သင်ခန်းစာများသည် Python တွင် အခြားသော အသုံးများသော အလုပ်များကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြသည်-

Python တွင် Logistic Regression ကို မည်သို့လုပ်ဆောင်မည်နည်း။
Python ရှိ regression မော်ဒယ်များ၏ AIC တွက်ချက်နည်း
Python တွင် ချိန်ညှိထားသော R-squared တွက်ချက်နည်း