Машинное обучение — это многообещающая область с еще более широкой аудиторией, чем раньше, благодаря новым ИИ, таким как Chat-GPT. Начав свой путь с машинным обучением, я хотел помочь другим сделать то же самое. Давайте начнем с простого объяснения того, что включает в себя машинное обучение. Машинное обучение включает в себя анализ данных для прогнозирования результатов. Обычный способ сделать это с помощью машинного обучения — создать регрессии, о чем я буду говорить в этой статье. Имейте в виду, что я буду использовать Python для этого урока.

Теперь, чтобы начать, вам нужно иметь некоторую форму данных для анализа. Поскольку мы только начинаем, я создал набор данных (см. ниже) с пропорциональными отношениями, что позволяет создать линейную регрессию. Линейные регрессии — это самые простые регрессии, которые вы можете сделать с помощью машинного обучения, и именно поэтому мы начинаем с него.

Теперь этот набор данных находится в файле CSV, и для его анализа вам нужно будет импортировать библиотеку pandas. Я расскажу более подробно о том, как импортировать/установить необходимые библиотеки и другие необходимые вещи в следующем посте. Вам понадобится довольно много библиотек: sciPy (статистика импорта), pandas и matplotlib. Каждая библиотека имеет разные цели в создании и использовании этой регрессии. Pandas используется для чтения и использования данных из CSV-файлов. Matplotlib используется для построения точек данных и отображения регрессии. Статистика из sciPy используется для функций статистики, вероятности и корреляции, что делает ее полезной для создания нескольких переменных для хранения разных данных для регрессии.

Теперь давайте перейдем к фактическому коду, используемому для создания этой регрессии! Сначала импортируйте следующие библиотеки следующим образом:

Показанный выше код использует библиотеку pandas для чтения CSV-файла и сохранения его в переменной. Pandas форматирует CSV-файл для нас, позволяя нам просто распечатать его, если мы хотим, чтобы он отображался.

Следующие строки кода создают значения x и y, необходимые для любого графика. Ось X графика всегда имеет независимую переменную, которая в нашем случае представляет собой количество лет существования бизнеса. Таким образом, чтобы получить доступ к x-значениям, мы должны использовать массив, в котором был сохранен CSV-файл — stores. Поскольку я указал возраст предприятий под значением «Годы в бизнесе», это значение должно быть заключено в скобки. Теперь мы делаем то же самое для переменной y (которая содержит зависимое значение) и получаем данные о ежедневных продажах. С этими координатами, хранящимися в массивах, мы затем используем библиотеку статистики для инициализации нескольких других переменных, содержащих данные о линейной регрессии.

Теперь эти строки кода показывают реализацию созданных ранее переменных, содержащих данные регрессии. Во-первых, мы создаем функцию, которая может найти наиболее подходящие значения y набора данных на основе значения x, наклона и точки пересечения y (y = mx + b). Затем это преобразуется в список и сохраняется в переменной модели. Затем библиотека matplotlib используется для создания точечной диаграммы с использованием реальных точек данных из набора данных. Затем библиотека используется для создания фактического линейного графика с использованием значений x из данных и наиболее подходящих значений y, хранящихся в модели. Наконец, мы делаем график видимым с помощью plot.show() и создаем график, показанный ниже.

Наконец-то мы можем прогнозировать ежедневные продажи в магазине (с помощью приведенного выше кода). Для этого нам нужно будет внести небольшие изменения в код. Между функцией getY() и созданием экземпляра model необходимо ввести критерии прогнозирования. Для этого передайте возраст бизнеса, для которого вы хотите проверить ежедневные продажи. Итак, если вы хотите проверить прогнозируемые ежедневные продажи 20-летней компании, введите print(getY(20)).

Спасибо за чтение этого руководства. Имейте в виду, что я также новичок в своем путешествии с машинным обучением. При этом, если у вас есть какие-либо предложения или конструктивная критика, не стесняйтесь комментировать. Полный код показан ниже!

На простом английском

Спасибо, что являетесь частью нашего сообщества! Прежде чем уйти: