Heim  >  Artikel  >  Backend-Entwicklung  >  Wie kann man mithilfe des Regressionsalgorithmus in Python Vorhersagen treffen?

Wie kann man mithilfe des Regressionsalgorithmus in Python Vorhersagen treffen?

WBOY
WBOYOriginal
2023-06-06 08:03:182320Durchsuche

Python ist eine beliebte Programmiersprache, die in den Bereichen Datenwissenschaft und maschinelles Lernen weit verbreitet ist. Unter diesen ist der Regressionsalgorithmus ein sehr nützliches Werkzeug, mit dem der Wert numerischer Variablen vorhergesagt werden kann. In diesem Artikel erklären wir, wie man mithilfe von Regressionsalgorithmen in Python Vorhersagen trifft.

Der Regressionsalgorithmus ist eine maschinelle Lerntechnik, die zur Vorhersage des Werts numerischer Variablen verwendet wird. Die Grundidee des Regressionsalgorithmus besteht darin, auf der Grundlage bekannter Daten ein mathematisches Modell zu erstellen, das unbekannte Daten vorhersagen kann. Zu den in Python häufig verwendeten Regressionsalgorithmen gehören die lineare Regression, die Polynomregression, die Ridge-Regression, die Lasso-Regression und die ElasticNet-Regression.

In diesem Artikel nehmen wir den linearen Regressionsalgorithmus als Beispiel, um die Verwendung von Python zur Vorhersage vorzustellen. Der lineare Regressionsalgorithmus ist ein häufig verwendeter Regressionsalgorithmus. Seine Grundidee besteht darin, die Daten mit einer linearen Funktion anzupassen, um den Fehler zwischen dem angepassten Wert und dem tatsächlichen Wert zu minimieren.

Zuerst müssen wir Python-bezogene Bibliotheken importieren, einschließlich NumPy, Pandas und Scikit-learn.

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

Als nächstes müssen wir den Datensatz vorbereiten. In diesem Artikel verwenden wir einen Dummy-Datensatz, der eine unabhängige Variable und eine abhängige Variable enthält.

data = pd.DataFrame({'x': [1, 2, 3, 4, 5], 'y': [2, 4, 5, 4, 5]})

Dann teilen wir den Datensatz in Trainingssatz und Testsatz auf.

X_train, X_test, y_train, y_test = train_test_split(data[['x']], data['y'], test_size=0.2, random_state=0)

Als nächstes erstellen wir ein lineares Regressionsmodell und passen es an den Trainingssatz an.

regressor = LinearRegression()
regressor.fit(X_train, y_train)

Jetzt haben wir ein trainiertes Modell, mit dem wir Vorhersagen treffen können. Angenommen, wir möchten den Wert von y vorhersagen, wenn x 6 ist.

prediction = regressor.predict([[6]])
print(prediction)

Durch den obigen Code haben wir den vorhergesagten Wert von 5,2 erhalten.

Wir können das Modell auch verwenden, um den Testsatz vorherzusagen und die Genauigkeit der Vorhersageergebnisse zu berechnen.

y_pred = regressor.predict(X_test)
accuracy = regressor.score(X_test, y_test)
print(y_pred)
print(accuracy)

In diesem Artikel haben wir die grundlegenden Schritte zum Erstellen von Vorhersagen mithilfe des linearen Regressionsalgorithmus in Python behandelt. Durch diese Schritte können wir ein mathematisches Modell auf der Grundlage bekannter Daten erstellen und Vorhersagen auf der Grundlage unbekannter Daten treffen. Neben linearen Regressionsalgorithmen gibt es viele andere Regressionsalgorithmen, die zur Vorhersage verwendet werden können, und der Leser kann sie selbst erlernen und ausprobieren. Abschließend müssen wir beachten, dass wir bei der Verwendung von Regressionsalgorithmen zur Vorhersage auf die Datenbereinigung und Funktionsauswahl achten müssen, um Probleme wie Überanpassung zu vermeiden.

Das obige ist der detaillierte Inhalt vonWie kann man mithilfe des Regressionsalgorithmus in Python Vorhersagen treffen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Stellungnahme:
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn