Lineární regrese

Základy pravděpodobnosti v Pythonu

Alexander A. Ramírez M.

CEO @ Synergy Vision

Lineární funkce

Graf lineární funkce

Graf lineární funkce

$$ y = \color{red}{slope}*x + \color{blue}{intercept} $$

Graf lineární funkce s náhodným šumem

$$ y = slope*x + intercept + \color{red}{random\_number} $$

Graf hodin studia vs. skóre

Proložení dat konstantním, lineárním, kvadratickým a logaritmickým modelem

Jaká kritéria určí nejlepší model?

Animace lineárního modelu

Graf reziduí

Graf reziduí a minimalizace chyby

Graf reziduí lineárního modelu

# Import LinearRegression
from sklearn.linear_model import LinearRegression

# sklearn linear model
model = LinearRegression()
model.fit(hours_of_study, scores)

# Get parameters
slope = model.coef_[0]
intercept = model.intercept_

# Print parameters
print(slope, intercept)

(1.496703900384545, 52.44845266434719)

# Score prediction
score = model.predict(np.array([[15]]))
print(score)

[74.89901117]

$$ $$

import matplotlib.pyplot as plt

plt.scatter(hours_of_study, scores)
plt.plot(hours_of_study_values, model.predict(hours_of_study_values))
plt.show()

Graf proložení lineárním modelem

Základy pravděpodobnosti v Pythonu