Introduction à la régression

Apprentissage supervisé avec scikit-learn

George Boorman

Core Curriculum Manager, DataCamp

Prévision des niveaux de glucose dans le sang

import pandas as pd
diabetes_df = pd.read_csv("diabetes.csv")
print(diabetes_df.head())

    pregnancies    glucose    triceps    insulin    bmi      age    diabetes
0   6              148        35         0          33.6     50     1
1   1              85         29         0          26.6     31     0
2   8              183        0          0          23.3     32     1
3   1              89         23         94         28.1     21     0
4   0              137        35         168        43.1     33     1

Création des tableaux de caractéristiques et de cibles

X = diabetes_df.drop("glucose", axis=1).values
y = diabetes_df["glucose"].values

print(type(X), type(y))

<class 'numpy.ndarray'> <class 'numpy.ndarray'>

Faire des prédictions à partir d’une seule caractéristique

X_bmi = X[:, 3]

print(y.shape, X_bmi.shape)

(752,) (752,)

X_bmi = X_bmi.reshape(-1, 1)

print(X_bmi.shape)

(752, 1)

Tracé du glucose en fonction de l’indice de masse corporelle

import matplotlib.pyplot as plt

plt.scatter(X_bmi, y)

plt.ylabel("Blood Glucose (mg/dl)")
plt.xlabel("Body Mass Index")
plt.show()

Tracé du glucose en fonction de l’indice de masse corporelle

Diagramme en nuages de points du glucose en fonction de l’indice de masse corporelle

Ajustement d’un modèle de régression

from sklearn.linear_model import LinearRegression

reg = LinearRegression()

reg.fit(X_bmi, y)

predictions = reg.predict(X_bmi)

plt.scatter(X_bmi, y)

plt.plot(X_bmi, predictions)
plt.ylabel("Blood Glucose (mg/dl)")
plt.xlabel("Body Mass Index")
plt.show()

Ajustement d’un modèle de régression

ligne de meilleur ajustement à environ 30 degrés à travers un diagramme en nuages de points du glucose en fonction de l’indice de masse corporelle

Passons à la pratique !

Apprentissage supervisé avec scikit-learn