HTML CSS JAVASCRIPT SQL PYTHON PHP HOW TO W3.CSS JAVA JQUERY C++ R React
ภาษาไทย Afrikaans العربية čeština Deutsch Español Français हिन्दी Bahasa Indonesia Italiano 日本語 한국어 မြန်မာဘာသာ Nederlands Polski Português Русский Türkçe Tiếng Việt

Tutorial Python

RUMAH Python Pengenalan Python Python Memulai Sintaks Python Komentar Python Variabel Python
Python Variables Variable Names Assign Multiple Values Output Variables Global Variables Variable Exercises
Tipe Data Python Nomor Python Pengecoran Python String Python
Python Strings Slicing Strings Modify Strings Concatenate Strings Format Strings Escape Characters String Methods String Exercises
Python Boolean Operator Python Daftar Python
Python Lists Access List Items Change List Items Add List Items Remove List Items Loop Lists List Comprehension Sort Lists Copy Lists Join Lists List Methods List Exercises
Tuple Python
Python Tuples Access Tuples Update Tuples Unpack Tuples Loop Tuples Join Tuples Tuple Methods Tuple Exercises
Set Python
Python Sets Access Set Items Add Set Items Remove Set Items Loop Sets Join Sets Set Methods Set Exercises
Kamus Python
Python Dictionaries Access Items Change Items Add Items Remove Items Loop Dictionaries Copy Dictionaries Nested Dictionaries Dictionary Methods Dictionary Exercise
Python Jika...Lain Python Sementara Loop Python Untuk Loop Fungsi Python Python Lambda Array Python Kelas/Objek Python Warisan Python Python Iterator Lingkup Python Modul Python Tanggal Python Python Matematika Python JSON Python RegEx Python PIP Python Coba...Kecuali Masukan Pengguna Python Pemformatan String Python

Penanganan Berkas

Penanganan File Python File Baca Python Python Tulis/Buat File Python Hapus File

Modul Python

Tutorial NumPy Panduan Panda Tutorial sip

Python Matplotlib

Pengantar Matplotlib Matplotlib Memulai Matplotlib Pyplot Merencanakan Matplotlib Penanda Matplotlib Garis Matplotlib Label Matplotlib Kotak Matplotlib Subplot Matplotlib Penyebaran Matplotlib Matplotlib Bar Histogram Matplotlib Bagan Pai Matplotlib

Pembelajaran mesin

Mulai Mode Median Rata-rata Standar Deviasi Persentil Distribusi Data Distribusi Data Normal Plot Pencar Regresi linier Regresi Polinomial Regresi Berganda Skala Kereta/Tes Pohon Keputusan

Python MySQL

MySQL Memulai MySQL Buat Basis Data MySQL Buat Tabel Sisipan MySQL MySQL Pilih MySQL Dimana MySQL Dipesan Oleh Hapus MySQL Tabel Drop MySQL Pembaruan MySQL Batas MySQL MySQL Bergabung

Python MongoDB

MongoDB Memulai MongoDB Buat Basis Data MongoDB Buat Koleksi Sisipan MongoDB Temukan MongoDB Permintaan MongoDB Sortir MongoDB Hapus MongoDB Koleksi Jatuhkan MongoDB Pembaruan MongoDB Batas MongoDB

Referensi Python

Ikhtisar Python Fungsi bawaan Python Metode String Python Metode Daftar Python Metode Kamus Python Metode Tuple Python Metode Set Python Metode File Python Kata Kunci Python Pengecualian Python Daftar Istilah Python

Referensi Modul

Modul Acak Modul Permintaan Modul Statistik Modul Matematika Modul cMath

Python Bagaimana caranya?

Hapus Duplikat Daftar Membalikkan String Tambahkan Dua Angka

Contoh Python

Contoh Python Kompilator Python Latihan Python Kuis Python Sertifikat Python

Pembelajaran Mesin - Regresi Berganda

❮ Sebelumnya Berikutnya ❯

Regresi Berganda

Regresi berganda seperti regresi linier , tetapi dengan lebih dari satu nilai independen, artinya kami mencoba memprediksi nilai berdasarkan dua variabel atau lebih.

Lihatlah kumpulan data di bawah ini, ini berisi beberapa informasi tentang mobil.

Mobil Model Volume Berat CO2
Toyota aygo 1000 790 99
Mitsubishi Bintang Luar Angkasa 1200 1160 95
Skoda Citigo 1000 929 95
Perintah 500 900 865 90
Mini cooper 1500 1140 105
VW Ke atas! 1000 929 105
Skoda fabia 1400 1109 90
Mercedes Kelas 1500 1365 92
Mengarungi Pesta 1500 1112 98
audi A1 1600 1150 99
Hyundai 20 1100 980 99
Suzuki Cepat 1300 990 101
Mengarungi Pesta 1000 1112 99
honda Kewarganegaraan 1600 1252 94
Hyundai I30 1600 1326 97
opel Astra 1600 1330 97
BMW 1 1600 1365 99
Mazda 3 2200 1280 104
Skoda Cepat 1600 1119 104
Mengarungi Fokus 2000 1328 105
Mengarungi mondeo 1600 1584 94
opel Lencana 2000 1428 99
Mercedes Kelas-C 2100 1365 99
Skoda Oktavia 1600 1415 99
Volvo S60 2000 1415 99
Mercedes PKB 1500 1465 102
audi A4 2000 1490 104
audi A6 2000 1725 114
Volvo V70 1600 1523 109
BMW 5 2000 1705 114
Mercedes Kelas-E 2100 1605 115
Volvo XC70 2000 1746 117
Mengarungi B-Maks 1600 1235 104
BMW 2 1600 1390 108
opel Zafira 1600 1405 109
Mercedes SLK 2500 1395 120

Kita dapat memprediksi emisi CO2 mobil berdasarkan ukuran mesin, tetapi dengan regresi berganda kita dapat memasukkan lebih banyak variabel, seperti berat mobil, untuk membuat prediksi lebih akurat.

Bagaimana cara kerjanya?

Dalam Python kami memiliki modul yang akan melakukan pekerjaan untuk kami. Mulailah dengan mengimpor modul Pandas.

import pandas

Pelajari tentang modul Pandas di Tutorial Pandas kami .

Modul Pandas memungkinkan kita untuk membaca file csv dan mengembalikan objek DataFrame.

File ini dimaksudkan untuk tujuan pengujian saja, Anda dapat mengunduhnya di sini: cars.csv

df = pandas.read_csv("cars.csv")

Kemudian buat daftar nilai independen dan panggil variabel ini X.

Masukkan nilai dependen ke dalam variabel yang disebut y.

X = df[['Weight', 'Volume']]
y = df['CO2']

Tip: Adalah umum untuk menamai daftar nilai independen dengan huruf besar X, dan daftar nilai dependen dengan huruf kecil y.

Kami akan menggunakan beberapa metode dari modul sklearn, jadi kami juga harus mengimpor modul itu:

from sklearn import linear_model

Dari modul sklearn kita akan menggunakan LinearRegression()metode untuk membuat objek regresi linier.

Objek ini memiliki metode yang disebut fit()yang mengambil nilai independen dan dependen sebagai parameter dan mengisi objek regresi dengan data yang menggambarkan hubungan:

regr = linear_model.LinearRegression()
regr.fit(X, y)

Sekarang kita memiliki objek regresi yang siap untuk memprediksi nilai CO2 berdasarkan berat dan volume mobil:

#predict the CO2 emission of a car where the weight is 2300kg, and the volume is 1300cm3:
predictedCO2 = regr.predict([[2300, 1300]])

Contoh

Lihat seluruh contoh dalam tindakan:

import pandas
from sklearn import linear_model

df = pandas.read_csv("cars.csv")

X = df[['Weight', 'Volume']]
y = df['CO2']

regr = linear_model.LinearRegression()
regr.fit(X, y)

#predict the CO2 emission of a car where the weight is 2300kg, and the volume is 1300cm3:
predictedCO2 = regr.predict([[2300, 1300]])

print(predictedCO2)

Hasil:

[107.2087328]

Kami telah memperkirakan bahwa mobil dengan mesin 1,3 liter, dan berat 2.300 kg, akan melepaskan sekitar 107 gram CO2 untuk setiap kilometer yang dikendarainya.

Koefisien

Koefisien adalah faktor yang menggambarkan hubungan dengan variabel yang tidak diketahui.

Contoh: jika xadalah variabel, maka 2xadalah xdua kali. xadalah variabel yang tidak diketahui, dan angka 2adalah koefisien.

Dalam hal ini, kita dapat menanyakan nilai koefisien berat terhadap CO2, dan volume terhadap CO2. Jawaban yang kita dapatkan memberi tahu kita apa yang akan terjadi jika kita menambah, atau mengurangi, salah satu nilai independen.

Contoh

Cetak nilai koefisien dari objek regresi:

import pandas
from sklearn import linear_model

df = pandas.read_csv("cars.csv")

X = df[['Weight', 'Volume']]
y = df['CO2']

regr = linear_model.LinearRegression()
regr.fit(X, y)

print(regr.coef_)

Hasil:

[0.00755095 0.00780526]

Hasil Dijelaskan

Array hasil mewakili nilai koefisien berat dan volume.

Berat: 0,00755095
Volume: 0,00780526

Nilai-nilai ini memberi tahu kita bahwa jika berat bertambah 1kg, emisi CO2 meningkat 0,00755095g.

Dan jika ukuran mesin (Volume) bertambah 1 cm 3 , emisi CO2 meningkat 0,00780526 g.

Saya pikir itu tebakan yang adil, tetapi biarkan mengujinya!

Kami telah memperkirakan bahwa jika mobil dengan mesin 1300cm 3 memiliki berat 2300kg, emisi CO2 akan menjadi sekitar 107g.

Bagaimana jika kita menambah berat dengan 1000kg?

Contoh

Salin contoh dari sebelumnya, tetapi ubah bobot dari 2300 menjadi 3300:

import pandas
from sklearn import linear_model

df = pandas.read_csv("cars.csv")

X = df[['Weight', 'Volume']]
y = df['CO2']

regr = linear_model.LinearRegression()
regr.fit(X, y)

predictedCO2 = regr.predict([[3300, 1300]])

print(predictedCO2)

Hasil:

[114.75968007]

Kami telah memperkirakan bahwa mobil dengan mesin 1,3 liter, dan berat 3300 kg, akan melepaskan sekitar 115 gram CO2 untuk setiap kilometer yang dikendarainya.

Yang menunjukkan bahwa koefisien 0,00755095 benar:

107.2087328 + (1000 * 0,00755095) = 114.75968

❮ Sebelumnya Berikutnya ❯