In diesem Blog werden wir ein lineares Regressionsmodell trainieren und erwarten, dass es bei einer frischen Eingabe korrekt funktioniert.
Die Grundidee eines jeden Machine-Learning-Modells ist, dass es einer großen Anzahl von Eingaben ausgesetzt wird und auch die dafür zutreffende Ausgabe erhält. Bei der Analyse von immer mehr Daten versucht es, die Beziehung zwischen Eingabe und Ergebnis herauszufinden.
Betrachten Sie ein sehr primitives Beispiel, bei dem Sie entscheiden müssen, ob Sie je nach Wetterlage eine Jacke tragen oder nicht. Sie haben Zugang zu den Trainingsdaten, wie wir sie nennen –
+---------------------+---------------+
| Outside Temperature | Wear a Jacket |
+---------------------+---------------+
| 30°C | No |
| 25°C | No |
| 20°C | No |
| 15°C | Yes |
| 10°C | Yes |
+---------------------+---------------+
Irgendwie findet Ihr Verstand eine Verbindung zwischen dem Input (Temperatur) und dem Output (Entscheidung, eine Jacke zu tragen).
Wenn die Temperatur also 12°C beträgt, würden Sie trotzdem eine Jacke tragen, obwohl Ihnen das Ergebnis für diese bestimmte Temperatur nie mitgeteilt wurde.
Wenden wir uns nun einem etwas besseren algebraischen Problem zu, das der Computer für uns lösen wird.
Vor Beginn sollten Sie nicht vergessen, scikit-learn zu installieren, es bietet einfach zu bedienende Funktionen und vordefinierte Modelle, was eine Menge Zeit spart
pip install scikit-learn
Hier ist X die Eingabe und y die Ausgabe.
Anhand der Trainingsmenge könnte man leicht erraten, dass die Ausgabe (y) nichts anderes ist als (x1 + 2*x2 + 3*x3).
Trainingsmenge erzeugen
Das ML-Modell -Lineare Regression
Das Arbeiten mit dem linearen Regressionsmodell ist einfach. Erstellen Sie ein Modell, trainieren Sie es und verwenden Sie es dann 🙂
Trainieren Sie das Modell
Wir haben die Trainingsmenge fertig, also erstellen Sie ein lineares Regressionsmodell und übergeben Sie ihm die Trainingsdaten.