Opbygning af Multipel Lineær Regression
OLS-klassen muliggør opbygning af multipel lineær regression på samme måde som simpel lineær regression. Desværre håndterer funktionen np.polyfit() ikke tilfælde med flere features.
Vi fortsætter med at anvende OLS-klassen.
Opbygning af X̃-matrix
Vi har det samme datasæt som i eksemplet med simpel lineær regression, men nu indeholder det moderens højde som den anden feature. Vi indlæser det og ser på dets X-variabel:
123456789import pandas as pd import statsmodels.api as sm file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file # Assign the variables X = df[['Father', 'Mother']] y = df['Height'] print(X.head())
Husk, vi skal bruge OLS(y, X_tilde) til at initialisere OLS-objektet. Som du kan se, indeholder X-variablen allerede to features i separate kolonner. For at få X_tilde skal vi derfor blot tilføje 1-taller som første kolonne. Funktionen sm.add_constant(X) gør netop dette!
1234567891011import pandas as pd import statsmodels.api as sm file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file # Assign the variables X = df[['Father', 'Mother']] y = df['Height'] # Create X_tilde X_tilde = sm.add_constant(X) print(X_tilde.head())
Finde parametrene
Fremragende! Nu kan vi opbygge modellen, finde parametrene og lave forudsigelser på samme måde som i det forrige afsnit.
12345678910111213141516171819202122import pandas as pd import statsmodels.api as sm import numpy as np file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file X,y = df[['Father', 'Mother']], df['Height'] # Assign the variables X_tilde = sm.add_constant(X) # Create X_tilde # Initialize an OLS object regression_model = sm.OLS(y, X_tilde) # Train the object regression_model = regression_model.fit() # Get the paramters beta_0, beta_1, beta_2 = regression_model.params print('beta_0 is: ', beta_0) print('beta_1 is: ', beta_1) print('beta_2 is: ', beta_2) # Predict new values X_new = np.array([[65, 62],[70, 65],[75, 70]]) # Feature values of new instances X_new_tilde = sm.add_constant(X_new) # Preprocess X_new y_pred = regression_model.predict(X_new_tilde) # Predict the target print('Predictions:', y_pred)
Nu hvor vores træningssæt har 2 features, skal vi angive 2 features for hver ny instans, vi ønsker at forudsige. Derfor blev np.array([[65, 62],[70, 65],[75, 70]]) brugt i eksemplet ovenfor. Den forudsiger y for 3 nye instanser: [Father:65,Mother:62], [Father:70, Mother:65], [Father:75, Mother:70].
Tak for dine kommentarer!
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Spørg mig spørgsmål om dette emne
Opsummér dette kapitel
Vis virkelige eksempler
Awesome!
Completion rate improved to 5.26Opbygning af Multipel Lineær Regression
Stryg for at vise menuen
OLS-klassen muliggør opbygning af multipel lineær regression på samme måde som simpel lineær regression. Desværre håndterer funktionen np.polyfit() ikke tilfælde med flere features.
Vi fortsætter med at anvende OLS-klassen.
Opbygning af X̃-matrix
Vi har det samme datasæt som i eksemplet med simpel lineær regression, men nu indeholder det moderens højde som den anden feature. Vi indlæser det og ser på dets X-variabel:
123456789import pandas as pd import statsmodels.api as sm file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file # Assign the variables X = df[['Father', 'Mother']] y = df['Height'] print(X.head())
Husk, vi skal bruge OLS(y, X_tilde) til at initialisere OLS-objektet. Som du kan se, indeholder X-variablen allerede to features i separate kolonner. For at få X_tilde skal vi derfor blot tilføje 1-taller som første kolonne. Funktionen sm.add_constant(X) gør netop dette!
1234567891011import pandas as pd import statsmodels.api as sm file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file # Assign the variables X = df[['Father', 'Mother']] y = df['Height'] # Create X_tilde X_tilde = sm.add_constant(X) print(X_tilde.head())
Finde parametrene
Fremragende! Nu kan vi opbygge modellen, finde parametrene og lave forudsigelser på samme måde som i det forrige afsnit.
12345678910111213141516171819202122import pandas as pd import statsmodels.api as sm import numpy as np file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file X,y = df[['Father', 'Mother']], df['Height'] # Assign the variables X_tilde = sm.add_constant(X) # Create X_tilde # Initialize an OLS object regression_model = sm.OLS(y, X_tilde) # Train the object regression_model = regression_model.fit() # Get the paramters beta_0, beta_1, beta_2 = regression_model.params print('beta_0 is: ', beta_0) print('beta_1 is: ', beta_1) print('beta_2 is: ', beta_2) # Predict new values X_new = np.array([[65, 62],[70, 65],[75, 70]]) # Feature values of new instances X_new_tilde = sm.add_constant(X_new) # Preprocess X_new y_pred = regression_model.predict(X_new_tilde) # Predict the target print('Predictions:', y_pred)
Nu hvor vores træningssæt har 2 features, skal vi angive 2 features for hver ny instans, vi ønsker at forudsige. Derfor blev np.array([[65, 62],[70, 65],[75, 70]]) brugt i eksemplet ovenfor. Den forudsiger y for 3 nye instanser: [Father:65,Mother:62], [Father:70, Mother:65], [Father:75, Mother:70].
Tak for dine kommentarer!
