Ćwiczenie — przeprowadzanie regresji liniowej przy użyciu biblioteki Scikit Learn

Kolejną popularną biblioteką języka Python, która jest powszechnie używana w społeczności badawczej, jest scikit-learn, która wyróżnia się tworzeniem modeli uczenia maszynowego w celu ułatwienia wyodrębniania informacji z danych. W tym ćwiczeniu użyjesz biblioteki scikit-learn, która została już zaimportowana w lekcji 2, w celu obliczenia linii trendu na podstawie danych agencji NASA dotyczących klimatu.

1. Umieść kursor w pustej komórce w dolnej części notesu. Zmień typ komórki na Markdown i wprowadź tekst "Perform linear regression with scikit-learn" (Wykonywanie regresji liniowej za pomocą biblioteki scikit-learn).

2. Dodaj komórkę Code i wklej następujący kod.

   # Pick the Linear Regression model and instantiate it
   model = LinearRegression(fit_intercept=True)
   
   # Fit/build the model
   model.fit(yearsBase[:, np.newaxis], meanBase)
   mean_predicted = model.predict(yearsBase[:, np.newaxis])
   
   # Generate a plot like the one in the previous exercise
   plt.scatter(yearsBase, meanBase)
   plt.plot(yearsBase, mean_predicted)
   plt.title('scatter plot of mean temp difference vs year')
   plt.xlabel('years', fontsize=12)
   plt.ylabel('mean temp difference', fontsize=12)
   plt.show()
   
   print(' y = {0} * x + {1}'.format(model.coef_[0], model.intercept_))
   

3. Teraz uruchom komórkę, aby wyświetlić wykres punktowy z linią regresji.

   

   Wykres punktowy z linią regresji obliczoną przez sckikit-learn

Dany wyjściowe są niemal takie same jak dane wyjściowe w poprzednim ćwiczeniu. Różnica polega na tym, że biblioteka scikit-learn wykonała więcej pracy. Nie musisz kodować funkcji liniowej, tak jak miało to miejsce w przypadku biblioteki NumPy — funkcja LinearRegression biblioteki scikit-learn zrobiła to za Ciebie. Biblioteka scikit-learn obsługuje wiele różnych typów regresji, co przydaje się podczas tworzenia zaawansowanych modeli uczenia maszynowego.