In questo blog, addestreremo un modello di regressione lineare e ci aspettiamo una performance corretta su un nuovo input.
L’idea di base di qualsiasi modello di apprendimento automatico è che è esposto a un gran numero di input e anche fornito l’output applicabile per loro. Analizzando sempre più dati, cerca di capire la relazione tra l’input e il risultato.
Considera un esempio molto primitivo quando devi decidere se indossare o meno una giacca a seconda del tempo. Hai accesso ai dati di allenamento, come li chiamiamo noi –
+---------------------+---------------+
| Outside Temperature | Wear a Jacket |
+---------------------+---------------+
| 30°C | No |
| 25°C | No |
| 20°C | No |
| 15°C | Yes |
| 10°C | Yes |
+---------------------+---------------+
In qualche modo, la tua mente trova una connessione tra l’input (la temperatura) e l’output (la decisione di indossare una giacca).
Quindi, se la temperatura è di 12°C, indosseresti comunque una giacca anche se non ti è mai stato detto il risultato per quella particolare temperatura.
Ora, passiamo a un problema algebrico leggermente migliore che il computer risolverà per noi.
Prima di iniziare, non dimenticate di installare scikit-learn, fornisce funzioni facili da usare e modelli predefiniti che fanno risparmiare molto tempo
pip install scikit-learn
Qui, X è l’input e y l’output.
Dato il set di allenamento si potrebbe facilmente indovinare che l’output (y) non è altro che (x1 + 2*x2 + 3*x3).
Come generare il training set
Il modello ML – Regressione lineare
Il lavoro con il modello di regressione lineare è semplice. Crea un modello, allenalo e poi usalo:)
Allena il modello
Abbiamo il training set pronto, quindi creiamo un modello di regressione lineare e gli passiamo i dati di allenamento.