🔍 Как сделать линейную регрессию Python? Простой гид!

Линейную регрессию в Python можно сделать с помощью библиотеки scikit-learn.

Вот пример кода:

from sklearn.linear_model import LinearRegression

# Создание модели линейной регрессии
model = LinearRegression()

# Обучение модели на тренировочных данных
model.fit(X_train, y_train)

# Предсказание на тестовых данных
predictions = model.predict(X_test)
    

Как сделать линейную регрессию в Python

Линейная регрессия - это один из основных алгоритмов машинного обучения, который используется для предсказания численных значений на основе линейной связи между различными признаками. В Python существует несколько библиотек, которые предоставляют удобные инструменты для реализации линейной регрессии. В этой статье мы рассмотрим, как использовать библиотеку scikit-learn для создания линейной регрессии.

Установка библиотеки scikit-learn

Перед тем, как начать, убедитесь, что у вас установлена библиотека scikit-learn. Вы можете установить ее с помощью следующей команды:

pip install scikit-learn

Импорт библиотеки и загрузка данных

Прежде чем мы перейдем к созданию модели линейной регрессии, нам понадобятся данные. Для примера давайте представим, что у нас есть набор данных, содержащий информацию о площади квартир и их ценах. Мы будем использовать этот набор данных для обучения и проверки модели.

Для начала импортируем необходимые модули и загрузим данные:

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

# Загрузка данных
data = pd.read_csv('data.csv')

# Разделение данных на признаки и целевую переменную
X = data[['Площадь']]
y = data['Цена']

Разделение данных на обучающую и тестовую выборки

Далее мы разделим наши данные на обучающую и тестовую выборки. Обучающая выборка будет использоваться для построения модели, а тестовая выборка - для проверки ее точности.

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

Создание и обучение модели

Теперь мы создадим модель линейной регрессии и обучим ее на обучающей выборке:

model = LinearRegression()
model.fit(X_train, y_train)

Предсказание цен на тестовом наборе данных

После обучения модели мы можем использовать ее для предсказания цен на тестовом наборе данных. Давайте посмотрим, как она справляется с этой задачей:

y_pred = model.predict(X_test)

Оценка точности модели

Для оценки точности модели линейной регрессии мы можем использовать различные метрики, такие как средняя абсолютная ошибка (MAE) и коэффициент детерминации (R^2). Вот как мы можем их вычислить:

from sklearn.metrics import mean_absolute_error, r2_score

# Средняя абсолютная ошибка (MAE)
mae = mean_absolute_error(y_test, y_pred)

# Коэффициент детерминации (R^2)
r2 = r2_score(y_test, y_pred)

Визуализация результатов

Наконец, давайте визуализируем результаты нашей модели с помощью диаграммы рассеяния:

import matplotlib.pyplot as plt

plt.scatter(X_test, y_test, color='blue', label='Реальные значения')
plt.plot(X_test, y_pred, color='red', label='Предсказанные значения')
plt.xlabel('Площадь')
plt.ylabel('Цена')
plt.legend()
plt.show()

Заключение

В этой статье мы рассмотрели, как использовать библиотеку scikit-learn для создания линейной регрессии в Python. Мы изучили основные шаги, такие как импорт библиотек, загрузка данных, разделение выборки, создание и обучение модели, предсказание значений и оценка точности. При помощи визуализации мы также можем визуально оценить результаты работы модели. Надеюсь, эта статья была полезна вам!