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.
- 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.