Este tipo de regress\u00e3o assume a forma:<\/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 onde h<\/em> \u00e9 o \u201cgrau\u201d do polin\u00f4mio.<\/span><\/p>\n O exemplo passo a passo a seguir mostra como realizar regress\u00e3o polinomial em Python usando sklearn.<\/span><\/p>\n Primeiro, vamos criar dois arrays NumPy para armazenar os valores de um preditor e de uma vari\u00e1vel de resposta:<\/span> <\/p>\n No gr\u00e1fico de dispers\u00e3o, podemos ver que a rela\u00e7\u00e3o entre x e y n\u00e3o \u00e9 linear.<\/span><\/p>\n Portanto, \u00e9 uma boa ideia ajustar um modelo de regress\u00e3o polinomial aos dados para capturar a rela\u00e7\u00e3o n\u00e3o linear entre as duas vari\u00e1veis.<\/span><\/p>\n O c\u00f3digo a seguir mostra como usar fun\u00e7\u00f5es sklearn para ajustar um modelo de regress\u00e3o polinomial de grau 3 a este conjunto de dados:<\/span><\/p>\n Usando os coeficientes do modelo mostrados na \u00faltima linha, podemos escrever a equa\u00e7\u00e3o de regress\u00e3o polinomial ajustada da seguinte forma:<\/span><\/p>\n y = -0,109x 3<\/sup> + 2,256x 2<\/sup> \u2013 11,839x + 33,626<\/span><\/p>\n Esta equa\u00e7\u00e3o pode ser usada para encontrar o valor esperado da vari\u00e1vel de resposta dado um determinado valor da vari\u00e1vel prevista.<\/span><\/p>\n Por exemplo, se x for 4, o valor esperado para a vari\u00e1vel de resposta, y, seria 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 Nota<\/strong> : Para ajustar um modelo de regress\u00e3o polinomial com um grau diferente, basta alterar o valor do argumento de grau<\/strong> na fun\u00e7\u00e3o PolynomialFeatures()<\/strong> .<\/span><\/p>\n Finalmente, podemos criar um gr\u00e1fico simples para visualizar o modelo de regress\u00e3o polinomial ajustado aos pontos de dados originais:<\/span><\/span> <\/p>\n No gr\u00e1fico, podemos ver que o modelo de regress\u00e3o polinomial parece se ajustar bem aos dados, sem overfitting<\/a> .<\/span><\/p>\n Observa\u00e7\u00e3o<\/strong> : voc\u00ea pode encontrar a documenta\u00e7\u00e3o completa da fun\u00e7\u00e3o sklearn PolynomialFeatures()<\/strong> aqui<\/a> .<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns usando o sklearn:<\/span><\/p>\n Como extrair coeficientes de regress\u00e3o do sklearn<\/a> A regress\u00e3o polinomial \u00e9 uma t\u00e9cnica que podemos usar quando o relacionamento entre uma vari\u00e1vel preditora e uma vari\u00e1vel de resposta \u00e9 n\u00e3o linear. Este tipo de regress\u00e3o assume a forma: Y = \u03b2 0 + \u03b2 1 X + \u03b2 2 X 2 +\u2026 + \u03b2 h onde h \u00e9 o \u201cgrau\u201d do polin\u00f4mio. […]<\/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-4060","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Etapa 1: crie os dados<\/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 Etapa 2: Ajustar o modelo de regress\u00e3o polinomial<\/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 Etapa 3: Visualize o modelo de regress\u00e3o polinomial<\/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 Recursos adicionais<\/span><\/strong><\/span><\/h2>\n
Como calcular a precis\u00e3o balanceada usando sklearn<\/a>
Como interpretar o relat\u00f3rio de classifica\u00e7\u00e3o no Sklearn<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"