простая линейная регрессия (SLR)
Линейная регрессия - один из наиболее широко используемых методов для построения будущих прогнозов и прогнозов. что такое линейная регрессия ?? Проще говоря, линейная означает Линия, а регрессия означает прогнозирование непрерывных значений. Это часть контролируемого обучения.
Простая линейная регрессия - это регрессионная модель, которая позволяет нам определить и изучить взаимосвязи между двумя непрерывными переменными. Одна переменная - x: рассматривается в качестве предиктора или независимой переменной. другая переменная Y: рассматривается как ответ или зависимая переменная. Пример: на этом графике Y = счастье и x = доход. Связь между x и y можно описать, построив линию.
Уравнение линии:
Чтобы найти лучшую линию для наших данных, нам нужно найти лучший набор значений наклона m и перехвата c, которые наш алгоритм будет пытаться. учиться, и это даст точные прогнозы. Проще говоря, у нас уже есть x (ввод), нам нужно найти m и c, чтобы предсказать значение y ( вывод).
мы будем работать с простым набором данных, который имеет две переменные: зарплата (y) и опыт (x). Мы попытаемся визуализировать, как y изменяется с x.
Набор данных:
Шаги по реализации
Процесс проходит в следующие этапы:
1. импорт библиотек
- matplotlib
- панды
- scikit-learn
2.Загрузка данных (salary_data.csv)
3.Предварительная обработка данных
4. Разделение данных по тесту на поезд 5. Создание модели на обучающем наборе данных
5.Оценка модели по данным тестирования
6. визуализация модели.
Код:
Здесь x - независимая переменная, а y - зависимая переменная, которая будет предсказана на основе значения x. Поэтому мы разделили значения x и y файла train и test на train_x, train_y, test_x и test_y.
Вы можете найти Простую линейную регрессию в Python с объяснением в моем репозитории GitHub.
Заключение: этот блог дает вам понимание простой линейной регрессии на простейших примерах.
