Maschinelles Lernen mit Python Kochbuch, 2.

Kapitel 13. Lineare Regression

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

13.0 Einleitung

Dielineare Regression ist einer der einfachsten Algorithmen des überwachten Lernens in unserem Werkzeugkasten. Wenn du jemals einen Einführungskurs in Statistik an der Uni belegt hast, war das letzte Thema, das du behandelt hast, wahrscheinlich die lineare Regression. Die lineare Regression und ihre Erweiterungen sind nach wie vor eine gängige und nützliche Methode, um Vorhersagen zu treffen, wenn der Zielvektor ein quantitativer Wert ist (z. B. Hauspreis, Alter). In diesem Kapitel werden wir uns mit verschiedenen Methoden der linearen Regression (und einigen Erweiterungen) beschäftigen, um gut funktionierende Vorhersagemodelle zu erstellen.

13.1 Anpassen einer Linie

Problem

Du möchtest auf ein Modell trainieren, das eine lineare Beziehung zwischen dem Merkmal und dem Zielvektor darstellt.

Lösung

Verwende eine lineare Regression (in scikit-learn, LinearRegression):

# Load libraries
from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression

# Generate features matrix, target vector
features, target = make_regression(n_samples = 100,
                                   n_features = 3,
                                   n_informative = 2,
                                   n_targets = 1,
                                   noise = 0.2,
                                   coef = False,
                                   random_state = 1)

# Create linear regression
regression = LinearRegression()

# Fit the linear regression
model = regression.fit(features, target)

Diskussion ...