Лінійна регресія

Основи теорії ймовірностей у Python

Alexander A. Ramírez M.

CEO @ Synergy Vision

Лінійні функції

Графік лінійної функції

Графік лінійної функції

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

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

Графік: години навчання проти балів

Підігнання даних: константна, лінійна, квадратична й логарифмічна моделі

Які критерії визначать найкращу модель?

Анімація: лінійна модель

Графік залишків

Залишки та мінімізація похибки

Графік залишків лінійної моделі

# 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()

Графік підігнаної лінійної моделі

Основи теорії ймовірностей у Python