Давайте визуализируем модели машинного обучения в Python I.

Изучать машинное обучение непросто. Особенно для статистических знаний, это трудно понять по определению, теории и т. д.

Изображения могут отображать и объяснять модели интуитивно. В этой статье я расскажу, как рисовать графики некоторых моделей машинного обучения.

1. Простая линейная регрессия

Набор данных: https://github.com/checkming00/Medium_datasets/blob/main/Salary_Data.csv

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

df = pd.read_csv(r'Salary_Data.csv')

Примените простую линейную регрессию:

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

X = df.iloc[:, :-1].values
y = df.iloc[:, -1].values

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 1/3, random_state = 0)

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

y_pred = regressor.predict(X_test)

Визуализируйте результаты тренировочного набора

plt.scatter(X_train, y_train, color = 'red')
plt.plot(X_train, regressor.predict(X_train), color = 'blue')
plt.title('Salary vs Experience (Training set)')
plt.xlabel('Years of Experience')
plt.ylabel('Salary')
plt.show()

Визуализируйте результаты набора тестов

plt.scatter(X_test, y_test, color = 'red')
plt.plot(X_train, regressor.predict(X_train), color = 'blue')
plt.title('Salary vs Experience (Test set)')
plt.xlabel('Years of Experience')
plt.ylabel('Salary')
plt.show()

2. Полиномиальная регрессия

Набор данных: https://github.com/checkming00/Medium_datasets/blob/main/Position_Salaries.csv

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

df = pd.read_csv('Position_Salaries.csv')

Применить полиномиальную регрессию:

from sklearn.preprocessing import PolynomialFeatures

X = df.iloc[:, 1:-1].values
y = df.iloc[:, -1].values

poly_reg = PolynomialFeatures(degree = 4)
X_poly = poly_reg.fit_transform(X)
lin_reg = LinearRegression()

Визуализируйте результаты полиномиальной регрессии

plt.scatter(X, y, color = 'red')
plt.plot(X, lin_reg.predict(poly_reg.fit_transform(X)), color = 'blue')
plt.title('Truth or Bluff (Polynomial Regression)')
plt.xlabel('Position level')
plt.ylabel('Salary')
plt.show()

Визуализируйте результаты полиномиальной регрессии (для более высокого разрешения и более плавной кривой)

X_grid = np.arange(min(X), max(X), 0.1)
X_grid = X_grid.reshape((len(X_grid), 1))
plt.scatter(X, y, color = 'red')
plt.plot(X_grid, lin_reg.predict(poly_reg.fit_transform(X_grid)), color = 'blue')
plt.title('Truth or Bluff (Polynomial Regression)')
plt.xlabel('Position level')
plt.ylabel('Salary')
plt.show()

Продолжение следует…

Спасибо за чтение.