Artificial-intelligence-with-python-supervised-learning-regression

PythonとAI –教師あり学習：回帰

回帰は、最も重要な統計および機械学習ツールの1つです。 機械学習の旅は回帰から始まると言っても間違いないでしょう。 これは、データに基づいて決定を下せる、または言い換えると、入力変数と出力変数の関係を学習することでデータに基づいて予測を行うことができるパラメトリック手法として定義できます。 ここで、入力変数に依存する出力変数は、連続値の実数です。 回帰では、入力変数と出力変数の関係が重要であり、入力変数の変化に伴って出力変数の値がどのように変化するかを理解するのに役立ちます。 回帰は、価格、経済、変動などの予測に頻繁に使用されます。

Pythonでリグレッサを作成する

このセクションでは、単一および多変数のリグレッサーを作成する方法を学習します。

線形回帰/単一変数回帰

いくつかの必要なパッケージを重要にしましょう-

import numpy as np
from sklearn import linear_model
import sklearn.metrics as sm
import matplotlib.pyplot as plt

ここで、入力データを提供する必要があり、データをlinear.txtという名前のファイルに保存しました。

input = 'D:/ProgramData/linear.txt'

*np.loadtxt* 関数を使用して、このデータをロードする必要があります。

input_data = np.loadtxt(input, delimiter=',')
X, y = input_data[:, :-1], input_data[:, -1]

次のステップは、モデルをトレーニングすることです。 トレーニングとテストのサンプルを提供しましょう。

training_samples = int(0.6 * len(X))
testing_samples = len(X) - num_training

X_train, y_train = X[:training_samples], y[:training_samples]

X_test, y_test = X[training_samples:], y[training_samples:]

次に、線形回帰オブジェクトを作成する必要があります。

reg_linear = linear_model.LinearRegression()

トレーニングサンプルを使用してオブジェクトをトレーニングします。

reg_linear.fit(X_train, y_train)

テストデータを使用して予測を行う必要があります。

y_test_pred = reg_linear.predict(X_test)

次に、データをプロットして視覚化します。

plt.scatter(X_test, y_test, color = 'red')
plt.plot(X_test, y_test_pred, color = 'black', linewidth = 2)
plt.xticks(())
plt.yticks(())
plt.show()

出力

線形リグレッサー

これで、次のように線形回帰のパフォーマンスを計算できます-

print("Performance of Linear regressor:")
print("Mean absolute error =", round(sm.mean_absolute_error(y_test, y_test_pred), 2))
print("Mean squared error =", round(sm.mean_squared_error(y_test, y_test_pred), 2))
print("Median absolute error =", round(sm.median_absolute_error(y_test, y_test_pred), 2))
print("Explain variance score =", round(sm.explained_variance_score(y_test, y_test_pred),
2))
print("R2 score =", round(sm.r2_score(y_test, y_test_pred), 2))

出力

線形リグレッサーのパフォーマンス-

Mean absolute error = 1.78
Mean squared error = 3.89
Median absolute error = 2.01
Explain variance score = -0.09
R2 score = -0.09

上記のコードでは、この小さなデータを使用しています。 大きなデータセットが必要な場合は、sklearn.datasetを使用して大きなデータセットをインポートできます。

2,4.82.9,4.72.5,53.2,5.56,57.6,43.2,0.92.9,1.92.4,
3.50.5,3.41,40.9,5.91.2,2.583.2,5.65.1,1.54.5,
1.22.3,6.32.1,2.8

多変数リグレッサー

最初に、いくつかの必要なパッケージをインポートしましょう-

import numpy as np
from sklearn import linear_model
import sklearn.metrics as sm
import matplotlib.pyplot as plt
from sklearn.preprocessing import PolynomialFeatures

ここで、入力データを提供する必要があり、データをlinear.txtという名前のファイルに保存しました。

input = 'D:/ProgramData/Mul_linear.txt'

*np.loadtxt* 関数を使用して、このデータをロードします。

input_data = np.loadtxt(input, delimiter=',')
X, y = input_data[:, :-1], input_data[:, -1]

次のステップは、モデルのトレーニングです。トレーニングとテストのサンプルを提供します。

training_samples = int(0.6 * len(X))
testing_samples = len(X) - num_training

X_train, y_train = X[:training_samples], y[:training_samples]

X_test, y_test = X[training_samples:], y[training_samples:]

次に、線形回帰オブジェクトを作成する必要があります。

reg_linear_mul = linear_model.LinearRegression()

トレーニングサンプルを使用してオブジェクトをトレーニングします。

reg_linear_mul.fit(X_train, y_train)

さて、最後に、テストデータを使用して予測を行う必要があります。

y_test_pred = reg_linear_mul.predict(X_test)

print("Performance of Linear regressor:")
print("Mean absolute error =", round(sm.mean_absolute_error(y_test, y_test_pred), 2))
print("Mean squared error =", round(sm.mean_squared_error(y_test, y_test_pred), 2))
print("Median absolute error =", round(sm.median_absolute_error(y_test, y_test_pred), 2))
print("Explain variance score =", round(sm.explained_variance_score(y_test, y_test_pred), 2))
print("R2 score =", round(sm.r2_score(y_test, y_test_pred), 2))

出力

線形リグレッサーのパフォーマンス-

Mean absolute error = 0.6
Mean squared error = 0.65
Median absolute error = 0.41
Explain variance score = 0.34
R2 score = 0.33

次に、次数10の多項式を作成し、リグレッサーをトレーニングします。 サンプルデータポイントを提供します。

polynomial = PolynomialFeatures(degree = 10)
X_train_transformed = polynomial.fit_transform(X_train)
datapoint = [[poly_datapoint = polynomial.fit_transform(datapoint)

poly_linear_model = linear_model.LinearRegression()
poly_linear_model.fit(X_train_transformed, y_train)
print("\nLinear regression:\n", reg_linear_mul.predict(datapoint))
print("\nPolynomial regression:\n", poly_linear_model.predict(poly_datapoint))

出力

線形回帰-

[2.40170462]

多項式回帰-

[1.8697225]

上記のコードでは、この小さなデータを使用しています。 大きなデータセットが必要な場合は、sklearn.datasetを使用して大きなデータセットをインポートできます。

2,4.8,1.2,3.22.9,4.7,1.5,3.62.5,5,2.8,23.2,5.5,3.5,2.16,5,
2,3.27.6,4,1.2,3.23.2,0.9,2.3,1.42.9,1.9,2.3,1.22.4,3.5,
2.8,3.60.5,3.4,1.8,2.91,4,3,2.50.9,5.9,5.6,0.81.2,2.58,
3.45,1.233.2,5.6,2,3.25.1,1.5,1.2,1.34.5,1.2,4.1,2.32.3,
6.3,2.5,3.22.1,2.8,1.2,3.6