Synopsis jusqu'à la dernière fois

Dernière fois a lu le fichier csv et dessiné le diagramme de dispersion. Le code et le diagramme complétés ressemblent à ceci

import numpy as np
import matplotlib.pyplot as plt

data_set = np.loadtxt(
    fname="sampleData.csv",
    dtype="float",
    delimiter=",",
)

#Dessiner un diagramme de dispersion → utiliser scatter
#Sortez ligne par ligne et dessinez
#plt.scatter(valeur de coordonnée x,valeur de coordonnée y)
for data in data_set:
    plt.scatter(data[0], data[1])

plt.title("correlation")
plt.xlabel("Average Temperature of SAITAMA")
plt.ylabel("Average Temperature of IWATE")
plt.grid()

plt.show()

Que faire cette fois

Utilisez scikit-learn pour faire une régression linéaire et dessiner une ligne de régression

procédure##

1 Extraire les données de coordonnées x et y de csv

#x,Stockez vos données dans un tableau séparé
x = np.array(1) #Préparez un tableau numpy
y = np.array(1) #À ce stade, certaines données ne sont pas nécessaires au début
for data in data_set:
    x = np.append(x, data[0]) #Ajouter des données avec append
    y = np.append(y, data[1])
x = np.delete(x, 0,0) #Supprimer les données inutiles au début
y = np.delete(y, 0,0)

2 Mettez x et y pris en 1 dans le modèle qui effectue une régression linéaire. 3 Faites une ligne droite en faisant une prédiction avec le modèle créé en 2. 4 Dessinez avec matplotlib

Qu'est-ce que scikit-learn

C'est un module qui fait la régression et la classification (Zackri) Cliquez ici pour plus de détails → Page officielle

Code utilisant un modèle de régression linéaire

#Module d'importation pour la régression linéaire
from sklearn.linear_model import LinearRegression

#Dans l'espace linspace de numpy pour la coordonnée x de la droite de régression-Préparez également 100 valeurs de 10 à 40
line_x = np.linspace(-10, 40, 100)

#scikit-Trouvez la formule de prédiction avec le modèle des moindres carrés dans Learn
model = LinearRegression()
model = model.fit(x.reshape(-1,1), y.reshape(-1,1)) #Mettez les données dans le modèle
model_y = model.predict(line_x.reshape(-1,1)) #Prévoir
plt.plot(line_x, model_y, color = 'yellow')

model = model.fit (x.reshape (-1,1), y.reshape (-1,1)), mais la forme du tableau numpy est modifiée pour correspondre à l'argument de la fonction. Pour plus d'informations ici

Voici le code et le diagramme complétés

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

data_set = np.loadtxt(
    fname="sampleData.csv",
    dtype="float",
    delimiter=",",
)
#x,Stockez vos données dans un tableau séparé
x = np.array(1)
y = np.array(1)
for data in data_set:
    x = np.append(x, data[0])
    y = np.append(y, data[1])
x = np.delete(x, 0,0)
y = np.delete(y, 0,0)


#Dessinez un diagramme de dispersion
for data in data_set:
    plt.scatter(data[0], data[1])


#scikit-Trouvez la formule de prédiction avec le modèle des moindres carrés dans Learn
model = LinearRegression()
model = model.fit(x.reshape(-1,1), y.reshape(-1,1))
line_x = np.linspace(-10, 40, 100)
model_y = model.predict(line_x.reshape(-1,1))
plt.plot(line_x, model_y, color = 'yellow')

plt.title("correlation")
plt.xlabel("Average Temperature of SAITAMA")
plt.ylabel("Average Temperature of IWATE")
plt.grid()

plt.show()

Je vous remercie pour votre travail acharné