[PYTHON] Modèle de régression utilisant scikit-learn et sa visualisation

Hier Un des livres présentés SciPy et NumPy Optimiser et booster votre programmation Python prend un exemple et parle de régression par scikit-learn.

Calcul du plan de régression à partir d'un modèle 3D

Tout d'abord, importez la bibliothèque pour écrire des modèles 3D.

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# scikit-Utiliser la régression linéaire de learn
from sklearn import linear_model
#Utiliser un exemple de jeu de données pour la régression
from sklearn.datasets.samples_generator import make_regression

Génération de données d'entraînement à partir d'échantillons de données

Il existe des exemples de données, alors classons-les en fonction des données d'entraînement.

#Générez des données synthétiques pour la formation et les tests
X, y = make_regression(n_samples=100, n_features=2, n_informative=1,
                       random_state=0, noise=50)
# =>
# [[ 1.05445173 -1.07075262]
#  [-0.36274117 -0.63432209]
# ...
#  [-0.17992484  1.17877957]
#  [-0.68481009  0.40234164]]
# [  -6.93224214   -4.12640648   29.47265153  -12.03166314 -121.67258636
#  -149.24989393  113.53496654   -7.83638906  190.00097568   49.48805247
# ...
#   246.92583786  171.84739934  -33.55917696   38.71008939  -28.23999523
#    39.5677481  -168.02196071 -201.18826919   69.07078178  -36.96534574]

Séparation des données d'entraînement et des données de test

Divisez les données générées dans un rapport de 80:20 pour la formation et les examens.

X_train, X_test = X[:80], X[-20:]
y_train, y_test = y[:80], y[-20:]

Formation de classificateur

Nous nous formerons quand nous serons prêts. Créez d'abord une instance du classificateur, puis entraînez le classificateur avec la méthode .fit familière.

regr = linear_model.LinearRegression()
#train
regr.fit(X_train, y_train)

#Afficher les estimations
print(regr.coef_)
#=> [-10.25691752 90.5463984 ]

Prédiction de valeur

Prédisez ensuite la valeur y en fonction des données d'entraînement.

X1 = np.array([1.2, 4])
print(regr.predict(X1))
#=> 350.860363861

Évaluation

Évaluons le résultat.

print(regr.score(X_test, y_test))
#=> 0.949827492261

Visualisation

Les données seules ne sont pas intuitives, alors visualisons-les à la fin.

fig = plt.figure(figsize=(8, 5))
ax = fig.add_subplot(111, projection='3d')
# ax = Axes3D(fig)

# Data
ax.scatter(X_train[:, 0], X_train[:, 1], y_train, facecolor='#00CC00')
ax.scatter(X_test[:, 0], X_test[:, 1], y_test, facecolor='#FF7800')

coef = regr.coef_
line = lambda x1, x2: coef[0] * x1 + coef[1] * x2

grid_x1, grid_x2 = np.mgrid[-2:2:10j, -2:2:10j]
ax.plot_surface(grid_x1, grid_x2, line(grid_x1, grid_x2),
                alpha=0.1, color='k')
ax.xaxis.set_visible(False)
ax.yaxis.set_visible(False)
ax.zaxis.set_visible(False)

fig.savefig('image.png', bbox='tight')

Un avion a été recherché. Il semble qu'ils soient presque les mêmes.

Résumé

J'ai pu dessiner un bel avion à l'aide de l'échantillon de données. Dans les vrais problèmes, cela peut ne pas aller très bien, mais il est utile de supprimer la théorie.