در این مطلب، ویدئو رگرسیون خطی Python Sklearn [از ابتدا] با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:06:58
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,370 –> 00:00:04,200
در این ویدیو نحوه استفاده از
2
00:00:04,200 –> 00:00:10,110
scikit-learn برای رگرسیون خطی را یاد خواهیم گرفت،
3
00:00:10,110 –> 00:00:12,900
اولین کاری که باید انجام دهیم این است که
4
00:00:12,900 –> 00:00:15,210
وارد کنیم، یک مجموعه داده PI را برای استفاده در این
5
00:00:15,210 –> 00:00:19,920
مثال وارد می کنیم و اجازه دهید تا پای enum panda را
6
00:00:19,920 –> 00:00:23,400
وارد کنیم و سپس
7
00:00:23,400 –> 00:00:25,980
چیزها را وارد کنیم. ما از scikit-learn نیاز داریم،
8
00:00:25,980 –> 00:00:27,840
بنابراین رگرسیون خطی از
9
00:00:27,840 –> 00:00:33,899
مدل خطی زیر خط می آید و همچنین
10
00:00:33,899 –> 00:00:38,690
از scikit-learn تقسیم تست آموزش دیده را وارد می کنیم
11
00:00:41,180 –> 00:00:45,870
و در آخر اجازه دهید matplotlib را در آنجا وارد
12
00:00:45,870 –> 00:00:51,270
کنیم تا بتوانیم این مدل را تجسم کنیم، بنابراین اول
13
00:00:51,270 –> 00:00:53,430
از همه بیایید داده های خود را دریافت کنیم.
14
00:00:53,430 –> 00:00:55,920
از مجموعه داده زنان pima استفاده خواهد کرد این
15
00:00:55,920 –> 00:00:58,079
مربوط به زنان بومی آمریکایی است که در فونیکس زندگی میکنند،
16
00:00:58,079 –> 00:00:59,940
آنچه که ما میخواهیم
17
00:00:59,940 –> 00:01:02,449
انجام دهیم این است که از اندازهگیری چینهای پوستی سه سر بازو
18
00:01:02,449 –> 00:01:07,049
برای پیشبینی BM استفاده کنیم، بنابراین ابتدا آنچه
19
00:01:07,049 –> 00:01:08,729
میخواهیم ببینیم این است که آیا این دادهها
20
00:01:08,729 –> 00:01:11,310
تقریباً خطی به نظر میرسند. ما از
21
00:01:11,310 –> 00:01:14,070
قابلیت ترسیم پانداها برای ترسیم
22
00:01:14,070 –> 00:01:19,710
BMI در برابر پوست استفاده می کنیم، بنابراین در اینجا در محور y
23
00:01:19,710 –> 00:01:21,689
، BMI داریم و اندازه گیری فریب خورده پوست را داریم
24
00:01:21,689 –> 00:01:23,930
و این بسیار خطی به نظر می رسد،
25
00:01:23,930 –> 00:01:26,670
بنابراین ما ادامه می دهیم و به کار ادامه می دهیم.
26
00:01:26,670 –> 00:01:30,920
مدل رگرسیون خطی
27
00:01:36,270 –> 00:01:39,610
ما اکنون میخواهیم یک تقسیم قطار آزمایشی انجام
28
00:01:39,610 –> 00:01:44,670
دهیم، ما در حال انجام یادگیری نظارتی
29
00:01:44,670 –> 00:01:47,920
هستیم، اساساً مدل را فقط با استفاده
30
00:01:47,920 –> 00:01:51,220
از دادههای آموزشی ایجاد میکنیم و سپس از مدل استفاده میکنیم
31
00:01:51,220 –> 00:01:53,979
تا ببینیم چقدر دادههای آزمایش را پیشبینی میکند و
32
00:01:53,979 –> 00:01:59,950
33
00:01:59,950 –> 00:02:02,410
مکان تصادفی را انتخاب میکند. برای تقسیم دادههای آزمایش قطار
34
00:02:02,410 –> 00:02:06,100
معمولاً در حدود 70% آزمایشهای قطار 30% و
35
00:02:06,100 –> 00:02:08,229
سریع واقعی، بیایید جلو برویم و تجسم
36
00:02:08,229 –> 00:02:11,140
کنیم که تقسیم آزمایشی قطار چگونه به نظر میرسد،
37
00:02:11,140 –> 00:02:13,380
میخواهیم این را در یک نمودار پراکنده ترسیم
38
00:02:13,380 –> 00:02:16,650
کنیم، ابتدا اشعه ایکس و y را انجام میدهیم. Train
39
00:02:16,650 –> 00:02:22,970
[Music]
40
00:02:22,970 –> 00:02:28,410
و ما پراکندگی PLT را با تست X تست y
41
00:02:28,410 –> 00:02:31,099
انجام
42
00:02:31,940 –> 00:02:34,220
می دهیم و داده های آموزشی را خوانده می کنیم
43
00:02:34,220 –> 00:02:36,470
و داده های آزمایشی را سبز رنگ
44
00:02:36,470 –> 00:02:42,210
[Music]
45
00:02:48,430 –> 00:02:51,050
می کنیم، بنابراین بیایید آن را ترسیم کنیم تا
46
00:02:51,050 –> 00:02:53,600
بتوانید دقیقاً منظور من از همه چیز در
47
00:02:53,600 –> 00:02:56,060
این قسمت را ببینید. قرمز در اینجا برای ایجاد
48
00:02:56,060 –> 00:02:59,300
خط یا مدل خطی ما استفاده میشود و آن خط
49
00:02:59,300 –> 00:03:02,090
روی همه چیز با
50
00:03:02,090 –> 00:03:11,780
رنگ سبز خوب آزمایش میشود، بنابراین حالا بیایید جلو برویم و
51
00:03:11,780 –> 00:03:16,760
در واقع مدل خطی خود را ایجاد کنیم، بنابراین
52
00:03:16,760 –> 00:03:20,690
ابتدا L R برابر با یک
53
00:03:20,690 –> 00:03:25,190
شی رگرسیون خطی است. و سپس L r
5