Oppiskele Lineaarinen Regressio | Edistyneemmät Käsitteet

Toteutamme lineaarisen regressiomallin PyTorchilla käyttäen oikeaa aineistoa. Aineistossa on kaksi saraketta:

'Number of Appliances': kotitalouden laitteiden määrä (syöteominaisuus, X);
'Electricity Bill': vastaava sähkölaskun summa (kohdearvo, Y).

1. Aineiston lataaminen ja tarkastelu

Aineisto on tallennettu CSV-tiedostoon. Lataamme sen pandas-kirjastolla ja tarkastelemme ensimmäisiä rivejä:


              12345
            
import pandas as pd
# Load the dataset
bills_df = pd.read_csv('https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_2/electricity_bills.csv')
# Display the first five rows
print(bills_df.head())

2. Datan valmistelu PyTorchille

Seuraavaksi tulee erottaa syöte X ja kohde Y -sarakkeet, muuntaa ne PyTorch-tensoreiksi sekä muotoilla ne kaksiulotteisiksi tensoreiksi yhteensopivuuden varmistamiseksi PyTorchin operaatioiden kanssa:


              12345678910
            
import torch
import pandas as pd
# Load the dataset
bills_df = pd.read_csv('https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_2/electricity_bills.csv')
# Extract input (Number of Appliances) and target (Electricity Bill)
X = torch.tensor(bills_df['Number of Appliances'].values).float().reshape(-1, 1)
Y = torch.tensor(bills_df['Electricity Bill'].values).float().reshape(-1, 1)
# Print the shapes of X and Y
print(f"Shape of X: {X.shape}")
print(f"Shape of Y: {Y.shape}")

3. Lineaarisen mallin määrittely

PyTorchin nn.Linear-moduuli määrittelee täysin yhdistetyn kerroksen, joka suorittaa laskennan y = xWT + b. Se on hermoverkkojen keskeinen rakennusosa ja voidaan yhdistää muihin kerroksiin monimutkaisempia arkkitehtuureja varten.

Tärkeimmät parametrit ovat:

in_features: syöteominaisuuksien määrä (riippumattomat muuttujat);
out_features: ulostulo-ominaisuuksien määrä (ennustetut arvot).

Yksinkertaisessa lineaarisessa regressiossa, kuten tässä tapauksessa, ennustetaan yksi ulostulo perustuen yhteen syötteeseen. Tällöin:

in_features=1: yksi syötemuuttuja;
out_features=1: yksi ennustettu arvo.

import torch.nn as nn
# Define the linear regression model
model = nn.Linear(in_features=1, out_features=1)

4. Häviöfunktion ja optimoijan määrittely

Käytämme keskineliövirhettä (MSE) häviöfunktiona ja stokastista gradienttilaskeutumista (SGD) optimoijana, jonka oppimisnopeus on 0.005.

MSE-häviö voidaan määritellä käyttämällä nn.MSELoss-luokkaa ja SGD käyttämällä vastaavaa luokkaa torch.optim-moduulista.

import torch.optim as optim
# Define the loss function (MSE)
loss_fn = nn.MSELoss()
# Define the optimizer (SGD)
optimizer = optim.SGD(model.parameters(), lr=0.005)

5. Mallin kouluttaminen

Koulutus sisältää eteenpäin suuntautuvan vaiheen ja taaksepäin suuntautuvan vaiheen suorittamisen määritellyn määrän epookkeja.

Eteenpäin suuntautuva vaihe: tässä vaiheessa lasketaan mallin ennusteet syötteen perusteella ja lasketaan häviö vertaamalla ennusteita todellisiin tavoitearvoihin;
Taaksepäin suuntautuva vaihe: tässä vaiheessa lasketaan gradientit takaisinkytkennän avulla (häviön perusteella) ja päivitetään mallin painot ja biasit optimointialgoritmilla, joka tässä tapauksessa on SGD.

Tätä prosessia toistetaan määritellyn määrän epookkeja häviön minimoimiseksi ja mallin suorituskyvyn parantamiseksi.


              1234567891011121314151617181920212223242526272829303132333435
            
import torch
import torch.nn as nn
import torch.optim as optim
import pandas as pd
# Load the dataset
bills_df = pd.read_csv('https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_2/electricity_bills.csv')
# Extract input (Number of Appliances) and target (Electricity Bill)
X = torch.tensor(bills_df['Number of Appliances'].values).float().reshape(-1, 1)
Y = torch.tensor(bills_df['Electricity Bill'].values).float().reshape(-1, 1)
# Define the linear regression model
model = nn.Linear(in_features=1, out_features=1)
# Define the loss function (MSE)
loss_fn = nn.MSELoss()
# Define the optimizer (SGD)
optimizer = optim.SGD(model.parameters(), lr=0.005)
# Training loop
epochs = 100
for epoch in range(epochs):
    # Forward pass
    Y_pred = model(X)
    loss = loss_fn(Y_pred, Y)

    # Backward pass
    optimizer.zero_grad()  # Reset gradients
    loss.backward()        # Compute gradients

    # Update parameters
    optimizer.step()

    if (epoch + 1) % 10 == 0:
        print(f"Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}")

# Final parameters
print(f"Trained weight: {model.weight.item()}")
print(f"Trained bias: {model.bias.item()}")

Mallin parametreihin, eli sen painoihin ja harhoihin, pääsee käsiksi käyttämällä .weight- ja .bias-attribuutteja:

weights = model.weight.item()
biases = model.bias.item()

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 3

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Pyyhkäise näyttääksesi valikon

Toteutamme lineaarisen regressiomallin PyTorchilla käyttäen oikeaa aineistoa. Aineistossa on kaksi saraketta:

'Number of Appliances': kotitalouden laitteiden määrä (syöteominaisuus, X);
'Electricity Bill': vastaava sähkölaskun summa (kohdearvo, Y).

1. Aineiston lataaminen ja tarkastelu

Aineisto on tallennettu CSV-tiedostoon. Lataamme sen pandas-kirjastolla ja tarkastelemme ensimmäisiä rivejä:


              12345
            
import pandas as pd
# Load the dataset
bills_df = pd.read_csv('https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_2/electricity_bills.csv')
# Display the first five rows
print(bills_df.head())

2. Datan valmistelu PyTorchille


              12345678910
            
import torch
import pandas as pd
# Load the dataset
bills_df = pd.read_csv('https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_2/electricity_bills.csv')
# Extract input (Number of Appliances) and target (Electricity Bill)
X = torch.tensor(bills_df['Number of Appliances'].values).float().reshape(-1, 1)
Y = torch.tensor(bills_df['Electricity Bill'].values).float().reshape(-1, 1)
# Print the shapes of X and Y
print(f"Shape of X: {X.shape}")
print(f"Shape of Y: {Y.shape}")

3. Lineaarisen mallin määrittely

Tärkeimmät parametrit ovat:

in_features: syöteominaisuuksien määrä (riippumattomat muuttujat);
out_features: ulostulo-ominaisuuksien määrä (ennustetut arvot).

Yksinkertaisessa lineaarisessa regressiossa, kuten tässä tapauksessa, ennustetaan yksi ulostulo perustuen yhteen syötteeseen. Tällöin:

in_features=1: yksi syötemuuttuja;
out_features=1: yksi ennustettu arvo.

import torch.nn as nn
# Define the linear regression model
model = nn.Linear(in_features=1, out_features=1)

4. Häviöfunktion ja optimoijan määrittely

Käytämme keskineliövirhettä (MSE) häviöfunktiona ja stokastista gradienttilaskeutumista (SGD) optimoijana, jonka oppimisnopeus on 0.005.

MSE-häviö voidaan määritellä käyttämällä nn.MSELoss-luokkaa ja SGD käyttämällä vastaavaa luokkaa torch.optim-moduulista.

import torch.optim as optim
# Define the loss function (MSE)
loss_fn = nn.MSELoss()
# Define the optimizer (SGD)
optimizer = optim.SGD(model.parameters(), lr=0.005)

5. Mallin kouluttaminen

Koulutus sisältää eteenpäin suuntautuvan vaiheen ja taaksepäin suuntautuvan vaiheen suorittamisen määritellyn määrän epookkeja.

Eteenpäin suuntautuva vaihe: tässä vaiheessa lasketaan mallin ennusteet syötteen perusteella ja lasketaan häviö vertaamalla ennusteita todellisiin tavoitearvoihin;
Taaksepäin suuntautuva vaihe: tässä vaiheessa lasketaan gradientit takaisinkytkennän avulla (häviön perusteella) ja päivitetään mallin painot ja biasit optimointialgoritmilla, joka tässä tapauksessa on SGD.

Tätä prosessia toistetaan määritellyn määrän epookkeja häviön minimoimiseksi ja mallin suorituskyvyn parantamiseksi.


              1234567891011121314151617181920212223242526272829303132333435
            
import torch
import torch.nn as nn
import torch.optim as optim
import pandas as pd
# Load the dataset
bills_df = pd.read_csv('https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_2/electricity_bills.csv')
# Extract input (Number of Appliances) and target (Electricity Bill)
X = torch.tensor(bills_df['Number of Appliances'].values).float().reshape(-1, 1)
Y = torch.tensor(bills_df['Electricity Bill'].values).float().reshape(-1, 1)
# Define the linear regression model
model = nn.Linear(in_features=1, out_features=1)
# Define the loss function (MSE)
loss_fn = nn.MSELoss()
# Define the optimizer (SGD)
optimizer = optim.SGD(model.parameters(), lr=0.005)
# Training loop
epochs = 100
for epoch in range(epochs):
    # Forward pass
    Y_pred = model(X)
    loss = loss_fn(Y_pred, Y)

    # Backward pass
    optimizer.zero_grad()  # Reset gradients
    loss.backward()        # Compute gradients

    # Update parameters
    optimizer.step()

    if (epoch + 1) % 10 == 0:
        print(f"Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}")

# Final parameters
print(f"Trained weight: {model.weight.item()}")
print(f"Trained bias: {model.bias.item()}")

Mallin parametreihin, eli sen painoihin ja harhoihin, pääsee käsiksi käyttämällä .weight- ja .bias-attribuutteja:

weights = model.weight.item()
biases = model.bias.item()

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 3

Lineaarinen Regressio

1. Aineiston lataaminen ja tarkastelu

2. Datan valmistelu PyTorchille

3. Lineaarisen mallin määrittely

4. Häviöfunktion ja optimoijan määrittely

5. Mallin kouluttaminen

Awesome!

Lineaarinen Regressio

1. Aineiston lataaminen ja tarkastelu

2. Datan valmistelu PyTorchille

3. Lineaarisen mallin määrittely

4. Häviöfunktion ja optimoijan määrittely

5. Mallin kouluttaminen