در این مطلب، ویدئو نحوه تجسم رگرسیون خطی چندگانه در پایتون 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: 00:08:24
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,760 –> 00:00:03,040
خوب امروز خواهیم دید که چگونه
2
00:00:03,040 –> 00:00:06,009
می توانیم با کمک matplotlib یک تجسم برای یک
3
00:00:06,009 –> 00:00:09,219
مدل رگرسیون خطی چندگانه
4
00:00:09,219 –> 00:00:11,100
5
00:00:11,100 –> 00:00:13,539
6
00:00:13,539 –> 00:00:15,730
ایجاد کنیم.
7
00:00:15,730 –> 00:00:17,589
8
00:00:17,589 –> 00:00:19,119
یکی از
9
00:00:19,119 –> 00:00:20,830
متداول ترین سؤالات پرسیده شد که
10
00:00:20,830 –> 00:00:22,839
چگونه تجسم را انجام دهیم چگونه
11
00:00:22,839 –> 00:00:25,740
یک تجسم را از یک معادله نشان دهیم، اکنون
12
00:00:25,740 –> 00:00:28,749
قطعاً نمی توانیم فرض کنیم اگر در
13
00:00:28,749 –> 00:00:31,089
مجموعه داده ما 100 برابر 100
14
00:00:31,089 –> 00:00:33,399
ویژگی مختلف از هر سه ویژگی داشته باشیم،
15
00:00:33,399 –> 00:00:35,020
نمی توانیم آن ابعاد را نشان دهیم و
16
00:00:35,020 –> 00:00:37,480
از نظر بصری، اما کاری که میتوانیم انجام دهیم این است که
17
00:00:37,480 –> 00:00:39,550
بهجای اینکه تعداد
18
00:00:39,550 –> 00:00:40,899
زیادی ویژگی داشته باشیم، میتوانیم یک
19
00:00:40,899 –> 00:00:42,460
طرح جفتی ایجاد کنیم و سعی کنیم
20
00:00:42,460 –> 00:00:45,309
ابعاد را بدزدیم، اما برای اینکه سه بعدی ممکن است
21
00:00:45,309 –> 00:00:46,870
زنده نباشد، یک ویژگی داده است که
22
00:00:46,870 –> 00:00:49,390
میتوانیم آن بعد را در طول صفحه ببینیم.
23
00:00:49,390 –> 00:00:51,340
که از رگرسیون خطی چندگانه ایجاد شده است،
24
00:00:51,340 –> 00:00:52,899
بنابراین اگر سه شاهکار داشته باشید، این
25
00:00:52,899 –> 00:00:55,030
بیان مسئله خاص اساساً با توجه به
26
00:00:55,030 –> 00:00:56,620
سه ویژگی است.
27
00:00:56,620 –> 00:00:59,230
در مجموعه دادههای ما نشان میدهد که چگونه میتوانیم
28
00:00:59,230 –> 00:01:01,239
آن ویژگیهای سه بعدی را رسم کنیم، خواهیم
29
00:01:01,239 –> 00:01:03,460
دید اگر بیش از سه
30
00:01:03,460 –> 00:01:04,629
بعد سه بعدی دارید که اساساً باید
31
00:01:04,629 –> 00:01:06,580
نمودار خود را انجام دهند و سعی کنید ببینید که چگونه
32
00:01:06,580 –> 00:01:08,800
دادههای ما واقعاً دوباره توزیع شدهاند
33
00:01:08,800 –> 00:01:10,600
، ترسیم صفحه بسیار دشوار است.
34
00:01:10,600 –> 00:01:12,850
برای چند بعد اما با توجه
35
00:01:12,850 –> 00:01:15,520
به سه بعدی این کار را انجام دادهایم، بنابراین در
36
00:01:15,520 –> 00:01:16,690
این ویدیوی خاص کاری که من میخواهم
37
00:01:16,690 –> 00:01:18,010
انجام دهم این است که من فقط یک بیانیه مشکل رگرسیون خطی چندگانه ساده را به شما نشان میدهم
38
00:01:18,010 –> 00:01:19,930
39
00:01:19,930 –> 00:01:21,880
و سپس پس از
40
00:01:21,880 –> 00:01:24,850
ایجاد مدل، سعی کنید
41
00:01:24,850 –> 00:01:27,010
خروجی داده های تست را پیدا کنید و سپس
42
00:01:27,010 –> 00:01:29,200
سعی می کنیم یک صفحه به صورت سه بعدی ایجاد کنیم،
43
00:01:29,200 –> 00:01:33,850
بنابراین برای شروع کاری که می
44
00:01:33,850 –> 00:01:34,960
خواهم انجام دهم این است که من فقط می
45
00:01:34,960 –> 00:01:38,770
خواهم یک ویژگی ساده X&Y ایجاد کنم که
46
00:01:38,770 –> 00:01:40,990
دقیقاً مانند کامای 150 من است. صد سقف
47
00:01:40,990 –> 00:01:42,790
همدیگر را به عنوان وابستگی دارم،
48
00:01:42,790 –> 00:01:45,760
منظورم این است که چرا یکی دارم، من فقط می خواهم
49
00:01:45,760 –> 00:01:48,160
این ابزار را قبل از ادامه کار اجرا کنم
50
00:01:48,160 –> 00:01:51,460
، خروجی چیزی شبیه به این خواهد بود.
51
00:01:51,460 –> 00:01:53,530
اجازه دهید فقط به شما نشان دهم که چگونه خروجی
52
00:01:53,530 –> 00:01:55,480
شبیه خروجی w است. چیزی
53
00:01:55,480 –> 00:01:58,360
شبیه این به نظر می رسد که در آن شما هواپیمای خود را
54
00:01:58,360 –> 00:02:00,900
دارید و اگر می خواهید می توانید این هواپیما را نیز حرکت دهید،
55
00:02:00,900 –> 00:02:03,010
سپس ببینید که اساساً داده های ما چگونه
56
00:02:03,010 –> 00:02:04,960
توزیع می شوند و با کمک
57
00:02:04,960 –> 00:02:06,430
رگرسیون خطی چندگانه من در واقع
58
00:02:06,430 –> 00:02:08,979
یک هواپیما ایجاد کرده ام که عبور می کند و
59
00:02:08,979 –> 00:02:11,670
خطا را می توانید ببینید که
60
00:02:11,670 –> 00:02:13,959
اساساً آنچه شما استفاده می کنید اساساً
61
00:02:13,959 –> 00:02:15,209
مجموع مربع است
62
00:02:15,209 –> 00:02:18,000
و به عنوان مثال
63
00:02:18,000 –> 00:02:20,230
اگر بخواهید دقیقاً مانند یک
64
00:02:20,230 –> 00:02:21,640
رگرسیون خطی ساده بُعد کنید، می توانید ترسیم کنید
65
00:02:21,640 –> 00:02:25,300
که با استفاده از آن این دقیقاً مانند یک
66
00:02:25,300 –> 00:02:27,760
آسیب دیده است، بنابراین به ما اجازه دهید فقط ادامه دهید و ببینید
67
00:02:27,760 –> 00:02:29,110
که آنچه من در این بیانیه مشکل خاص انجام داده ام این
68
00:02:29,110 –> 00:02:30,790
69
00:02:30,790 –> 00:02:32,769
فایل نوت بوک خاص با عرض پوزش این فایل py خاص
70
00:02:32,769 –> 00:02:34,810
داده
71
00:02:34,810 –> 00:02:36,340
خواهد شد در لینکی که در
72
00:02:36,340 –> 00:02:38,349
توضیحات این ویدیو داده می شود، می
73
00:02:38,349 –> 00:02:39,700
توانید آن را از آنجا دانلود کنید و شما میتوان
74
00:02:39,700 –> 00:02:41,560
آن را برای هر تعداد بیانیه مشکل ترسیم کرد. من
75
00:02:41,560 –> 00:02:44,019
آن را ساختم این کد را به
76
00:02:44,019 –> 00:02:45,940
روشی تولید میکنم، شما فقط باید
77
00:02:45,940 –> 00:02:48,730
مجموعه دادهها را آپلود کنید و این کار را انجام دهید، بنابراین در اینجا
78
00:02:48,730 –> 00:02:50,260
ابتدا میخواهم X خود را ایجاد کنم. و
79
00:02:50,260 –> 00:02:52,180
دادههای من که X است اساساً
80
00:02:52,180 –> 00:02:53,830
ویژگی وابسته من است Y اساساً
81
00:02:53,830 –> 00:02:55,299
به یکدیگر وابسته هستند، سپس من
82
00:02:55,299 –> 00:02:56,860
این را به یک قاب داده تبدیل میکنم و
83
00:02:56,860 –> 00:02:59,349
برای X این دو ویژگی را فقط
84
00:02:59,349 –> 00:03:01,989
میدهم که ویژگیها را به عنوان قیمت میدهم
85
00:03:01,989 –> 00:03:05,200
و هزینههای اضافه میکنم مانند آنچه که هست.
86
00:03:05,200 –> 00:03:06,700
قیمت کلاه و آنچه دریافت کردید چقدر است که
87
00:03:06,700 –> 00:03:09,010
اساساً برای آن ویژگی
88
00:03:09,010 –> 00:03:11,890
هزینه میکنید، این فقط یک مجموعه داده تولید است که
89
00:03:11,890 –> 00:03:14,440
توسط خودم ایجاد کردهام و سپس
90
00:03:14,440 –> 00:03:16,450
مجموعه دادههای Y من غیرپایه است که الیز آن را به عنوان فروش میگوید،
91
00:03:16,450 –> 00:03:18,970
بنابراین این چیزی است که من هستم. برای F 2 خود انجام می دهم،
92
00:03:18,970 –> 00:03:21,070
بنابراین اجازه دهید C را به این حقیقت برسانم
93
00:03:21,070 –> 00:03:22,989
هر عبارتی که می توانید ببینید که می توانید
94
00:03:22,989 –> 00:03:25,720
ببینید یا DF 2 و در داخل DF من اکنون
95
00:03:25,720 –> 00:03:27,940
سه ویژگی دارید قیمت اضافه کردن هزینه و
96
00:03:27,940 –> 00:03:31,359
ارسال قیمت و افزودن چرخش اساساً
97
00:03:31,359 –> 00:03:32,769
ویژگی مستقل ما هستند. فروش
98
00:03:32,769 –> 00:03:34,840
اساساً یک وابستگی است و بعد از آن
99
00:03:34,840 –> 00:03:36,100
کاری که من انجام میدهم این است که من فقط
100
00:03:36,100 –> 00:03:38,680
درپوش madcraft را وارد میکنم و در اینجا
101
00:03:38,680 –> 00:03:40,450
میخواهم از مدلهای سهام استفاده کنم نه
102
00:03:40,450 –> 00:03:44,620
فرمول یا API که در واقع با
103
00:03:44,620 –> 00:03:45,579
استفاده از
104
00:03:45,579 –> 00:03:47,829
اجاره معمولی این روش دیگری برای اعمال
105
00:03:47,829 –> 00:03:50,010
ضرب است. اگر می خواهید از رگرسیون خطی
106
00:03:50,010 –> 00:03:55,870
در اینجا در فرمول استفاده کنید، فقط
107
00:03:55,870 –> 00:03:57,489
باید ویژگی های مستقل مانند
108
00:03:57,489 –> 00:03:59,680
فروش را بدهید و همیشه به یاد داشته باشید که این
109
00:03:59,680 –> 00:04:01,030
نماد خاص را بدهید که نشان دهنده
110
00:04:01,030 –> 00:04:03,430
آینده مستقل به علاوه هزینه است که
111
00:04:03,430 –> 00:04:06,549
اساساً صحنه های خنده دار شما اساساً به
112
00:04:06,549 –> 00:04:08,829
شما وابسته است و بعد