Ten typ regresji przyjmuje posta\u0107:<\/span><\/p>\n Y = \u03b2 0<\/sub> +<\/sup> \u03b2 1<\/sub> X + \u03b2 2<\/sub> X 2<\/sup> + \u2026 + \u03b2 godz<\/sub><\/span><\/p>\n gdzie h<\/em> jest \u201estopniem\u201d wielomianu.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje krok po kroku, jak przeprowadzi\u0107 regresj\u0119 wielomianow\u0105 w Pythonie za pomoc\u0105 sklearn.<\/span><\/p>\n Najpierw utw\u00f3rzmy dwie tablice NumPy do przechowywania warto\u015bci predyktora i zmiennej odpowiedzi:<\/span> <\/p>\n Z wykresu rozrzutu widzimy, \u017ce zale\u017cno\u015b\u0107 mi\u0119dzy x i y nie jest liniowa.<\/span><\/p>\n Dlatego dobrym pomys\u0142em jest dopasowanie do danych modelu regresji wielomianowej, aby uchwyci\u0107 nieliniow\u0105 zale\u017cno\u015b\u0107 mi\u0119dzy dwiema zmiennymi.<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak u\u017cywa\u0107 funkcji sklearn w celu dopasowania modelu regresji wielomianowej trzeciego stopnia do tego zbioru danych:<\/span><\/p>\n Korzystaj\u0105c ze wsp\u00f3\u0142czynnik\u00f3w modelu pokazanych w ostatnim wierszu, mo\u017cemy zapisa\u0107 dopasowane r\u00f3wnanie regresji wielomianowej w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n y = -0,109x 3<\/sup> + 2,256x 2<\/sup> \u2013 11,839x + 33,626<\/span><\/p>\n R\u00f3wnanie to mo\u017cna wykorzysta\u0107 do znalezienia oczekiwanej warto\u015bci zmiennej odpowiedzi, przy danej warto\u015bci przewidywanej zmiennej.<\/span><\/p>\n Na przyk\u0142ad, je\u015bli x wynosi 4, oczekiwana warto\u015b\u0107 zmiennej odpowiedzi y wyniesie 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 Uwaga<\/strong> : Aby dopasowa\u0107 model regresji wielomianowej o innym stopniu, wystarczy zmieni\u0107 warto\u015b\u0107 argumentu stopnia<\/strong> w funkcji PolynomialFeatures()<\/strong> .<\/span><\/p>\n Na koniec mo\u017cemy utworzy\u0107 prosty wykres wizualizuj\u0105cy model regresji wielomianowej dopasowany do oryginalnych punkt\u00f3w danych:<\/span><\/span> <\/p>\n Z wykresu wida\u0107, \u017ce model regresji wielomianowej wydaje si\u0119 dobrze pasowa\u0107 do danych, bez nadmiernego dopasowania<\/a> .<\/span><\/p>\n Uwaga<\/strong> : Pe\u0142n\u0105 dokumentacj\u0119 funkcji sklearn PolynomialFeatures()<\/strong> mo\u017cna znale\u017a\u0107 tutaj<\/a> .<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania za pomoc\u0105 sklearn:<\/span><\/p>\n Jak wyodr\u0119bni\u0107 wsp\u00f3\u0142czynniki regresji z pliku sklearn<\/a> Regresja wielomianowa to technika, kt\u00f3r\u0105 mo\u017cemy zastosowa\u0107, gdy zwi\u0105zek mi\u0119dzy zmienn\u0105 predykcyjn\u0105 a zmienn\u0105 odpowiedzi jest nieliniowy. Ten typ regresji przyjmuje posta\u0107: Y = \u03b2 0 + \u03b2 1 X + \u03b2 2 X 2 + \u2026 + \u03b2 godz gdzie h jest \u201estopniem\u201d wielomianu. Poni\u017cszy przyk\u0142ad pokazuje krok po kroku, jak przeprowadzi\u0107 regresj\u0119 wielomianow\u0105 […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-4059","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Krok 1: Utw\u00f3rz dane<\/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 Krok 2: Dopasuj model regresji wielomianowej<\/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 Krok 3: Wizualizuj model regresji wielomianowej<\/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 Dodatkowe zasoby<\/span><\/strong><\/span><\/h2>\n
Jak obliczy\u0107 zr\u00f3wnowa\u017con\u0105 precyzj\u0119 za pomoc\u0105 sklearn<\/a>
Jak interpretowa\u0107 raport klasyfikacyjny w Sklearn<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"