Линейная регрессия — это алгоритм машинного обучения, основанный на обучении с учителем. Он выполняет задачу регрессии. Регрессия моделирует целевое значение прогноза на основе независимых переменных. Он в основном используется для выяснения взаимосвязи между переменными и прогнозирования.
Он выполняет задачу прогнозирования значения зависимой переменной (y) на основе заданной независимой переменной (x). Итак, этот метод регрессии обнаруживает линейную зависимость между x (вход) и y (выход).
Простейшая форма простого уравнения линейной регрессии с одной зависимой и одной независимой переменной представлена следующим образом:
Аналогично для нескольких переменных
Как мы можем использовать линейную регрессию для прогнозирования ожидаемых продаж?
Шаг 1. Сбор набора данных
Для прогнозирования продаж мы должны сначала обучить нашу модель данным о продажах. поэтому нам нужно будет получить набор данных за последние несколько лет анализа продаж (предпочтительно за 10 лет) и очистить набор данных. вы можете получить демонстрационный набор данных с https://github.com/explorewithjag/linear-regression-example/blob/master/data/Advertising_data.csv
Шаг 2. Предварительная обработка и форматирование данных
После того, как правильные данные выбраны, предварительная обработка включает в себя выбор правильных данных из полного набора данных и создание набора для обучения и тестирования.
Шаг 3. Определение и обучение модели:
Если вас беспокоят математические расчеты, необходимые для определения модели, расслабьтесь благодаря TensorFlow, Keras и многим другим фреймворкам; они помогают нам в определении модели.
Нам нужно только использовать их API и определить нашу модель. После определения нашей модели мы должны сопоставить наш набор данных с моделью (обучить нашу модель) в этом наборе данных.
Шаг 4. Тестирование модели
После обучения мы должны убедиться, что наша модель работает нормально, поэтому мы собираемся протестировать нашу модель с помощью тестового набора данных и наблюдать за точностью. Если точность хорошая, мы сохраним нашу модель для будущего использования.
на этом шаге часть обучения модели завершена. Полный код — https://github.com/explorewithjag/linear-regression-example/blob/master/simple_and_multiple_linear_regression.ipynb
Шаг 5. Интеграция модели в графический интерфейс.
Чтобы сделать нашу модель полезной для конечных пользователей, мы должны интегрировать нашу модель с графическим интерфейсом. В этой части мы собираемся использовать библиотеку Tkinter Python для создания настольного приложения. В следующей части мы интегрируем другую модель с веб-сайтом Flask.
Полный код графического интерфейса — https://github.com/explorewithjag/linear-regression-example/blob/master/integrating_model_with_gui.ipynb
Вывод нашего графического интерфейса:
Надеюсь, вам понравилось это изучение, если да, поделитесь этим с другими, и для получения большего количества такого контента вы можете связаться со мной на
YouTube: https://www.youtube.com/channel/UCmF8qppe02J1ot4Jfwl_lFg
LinkedIn: https://www.linkedin.com/in/jagwithyou/