Dans ce blog, nous allons entraîner un modèle de régression linéaire et espérer obtenir des résultats corrects sur une entrée fraîche.
L’idée de base de tout modèle d’apprentissage automatique est qu’il est exposé à un grand nombre d’entrées et également fourni la sortie applicable pour elles. En analysant de plus en plus de données, il essaie de comprendre la relation entre l’entrée et le résultat.
Considérez un exemple très primitif lorsque vous devez décider de porter ou non une veste en fonction de la météo. Vous avez accès aux données d’entraînement comme nous l’appelons –
+---------------------+---------------+
| Outside Temperature | Wear a Jacket |
+---------------------+---------------+
| 30°C | No |
| 25°C | No |
| 20°C | No |
| 15°C | Yes |
| 10°C | Yes |
+---------------------+---------------+
D’une manière ou d’une autre, votre esprit trouve une connexion entre l’entrée (la température) et la sortie (la décision de porter une veste).
Donc, si la température est de 12°C, vous porterez quand même une veste bien qu’on ne vous ait jamais dit le résultat pour cette température particulière.
Maintenant, passons à un problème algébrique légèrement meilleur que l’ordinateur résoudra pour nous.
Avant de commencer, n’oubliez pas d’installer scikit-learn, il fournit des fonctions faciles à utiliser et des modèles prédéfinis qui permettent de gagner beaucoup de temps
pip install scikit-learn
Ici, X est l’entrée et y est la sortie.
Vu l’ensemble d’apprentissage, vous pourriez facilement deviner que la sortie (y) n’est rien d’autre que (x1 + 2*x2 + 3*x3).
Comment générer un ensemble d’entraînement
Le modèle ML -Régression linéaire
Travailler avec le modèle de régression linéaire est simple. Il faut créer un modèle, l’entraîner et ensuite l’utiliser 🙂
.
Entraînement du modèle
Nous avons l’ensemble d’entraînement prêt, alors créez un modèle de régression linéaire et passez-lui les données d’entraînement.