Regresja liniowa

Podstawy rachunku prawdopodobieństwa w Pythonie

Alexander A. Ramírez M.

CEO @ Synergy Vision

Funkcje liniowe

Wykres funkcji liniowej

Wykres funkcji liniowej

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

Wykres funkcji liniowej z losowymi zaburzeniami

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

Wykres godzin nauki a wynik

Dopasowanie danych modelami: stałym, liniowym, kwadratowym i logarytmicznym

Jakie kryteria pozwolą wybrać najlepszy model?

Animacja dopasowania modelu liniowego

Wykres reszt

Wykres reszt i minimalizacja błędu

Wykres reszt modelu liniowego

# 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()

Wykres dopasowania modelu liniowego

Podstawy rachunku prawdopodobieństwa w Pythonie