Dit type regressie heeft de vorm:<\/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 waarbij h<\/em> de \u201cgraad\u201d van de polynoom is.<\/span><\/p>\n Het volgende stapsgewijze voorbeeld laat zien hoe u polynomiale regressie in Python kunt uitvoeren met behulp van sklearn.<\/span><\/p>\n Laten we eerst twee NumPy-arrays maken om de waarden van een voorspeller en een responsvariabele vast te houden:<\/span> <\/p>\n Uit het spreidingsdiagram kunnen we zien dat de relatie tussen x en y niet lineair is.<\/span><\/p>\n Het is daarom een goed idee om een polynomiaal regressiemodel aan de gegevens toe te passen om de niet-lineaire relatie tussen de twee variabelen vast te leggen.<\/span><\/p>\n De volgende code laat zien hoe u sklearn-functies kunt gebruiken om een polynoomregressiemodel van graad 3 in deze gegevensset te passen:<\/span><\/p>\n Met behulp van de modelco\u00ebffici\u00ebnten die in de laatste rij worden weergegeven, kunnen we de aangepaste polynomiale regressievergelijking als volgt schrijven:<\/span><\/p>\n y = -0,109x 3<\/sup> + 2,256x 2<\/sup> \u2013 11,839x + 33,626<\/span><\/p>\n Deze vergelijking kan worden gebruikt om de verwachte waarde van de responsvariabele te vinden, gegeven een gegeven waarde van de voorspelde variabele.<\/span><\/p>\n Als x bijvoorbeeld 4 is, zou de verwachte waarde voor de responsvariabele y 15,39 zijn:<\/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 Opmerking<\/strong> : Om een polynoomregressiemodel met een andere graad te passen, wijzigt u eenvoudigweg de waarde van het graadargument<\/strong> in de functie PolynomialFeatures()<\/strong> .<\/span><\/p>\n Ten slotte kunnen we een eenvoudige plot maken om het polynomiale regressiemodel te visualiseren dat is aangepast aan de oorspronkelijke gegevenspunten:<\/span><\/span> <\/p>\n Uit de grafiek kunnen we zien dat het polynomiale regressiemodel goed bij de gegevens lijkt te passen zonder te overfitting<\/a> .<\/span><\/p>\n Opmerking<\/strong> : u kunt de volledige documentatie voor de functie sklearn PolynomialFeatures()<\/strong> hier<\/a> vinden.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken kunt uitvoeren met behulp van sklearn:<\/span><\/p>\n Hoe regressieco\u00ebffici\u00ebnten uit sklearn te extraheren<\/a> Polynomiale regressie is een techniek die we kunnen gebruiken wanneer de relatie tussen een voorspellende variabele en een responsvariabele niet-lineair is. Dit type regressie heeft de vorm: Y = \u03b2 0 + \u03b2 1 X + \u03b2 2 X 2 + \u2026 + \u03b2 h waarbij h de \u201cgraad\u201d van de polynoom is. Het volgende […]<\/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":[],"class_list":["post-4061","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Stap 1: Cre\u00eber de gegevens<\/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 Stap 2: Pas het polynomiale regressiemodel aan<\/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 Stap 3: Visualiseer het polynomiale regressiemodel<\/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 Aanvullende bronnen<\/span><\/strong><\/span><\/h2>\n
Hoe u de gebalanceerde precisie kunt berekenen met behulp van sklearn<\/a>
Hoe het classificatierapport in Sklearn te interpreteren<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"