Wprowadzenie do regresji

Nadzorowane uczenie maszynowe z scikit-learn

George Boorman

Core Curriculum Manager, DataCamp

Przewidywanie poziomu glukozy we krwi

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

Tworzenie tablic cech i zmiennej docelowej

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

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

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

Prognozowanie na podstawie jednej cechy

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)

Wykres glukozy a wskaźnik masy ciała

import matplotlib.pyplot as plt

plt.scatter(X_bmi, y)

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

Wykres glukozy a wskaźnik masy ciała

Wykres rozrzutu glukozy względem wskaźnika masy ciała

Dopasowanie modelu regresji

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()

Dopasowanie modelu regresji

Linia najlepszego dopasowania pod kątem około 30 stopni na wykresie rozrzutu stężenia glukozy względem wskaźnika masy ciała

Czas na ćwiczenia!

Nadzorowane uczenie maszynowe z scikit-learn