Nichtlineare Regression mit Isotoner Regression

Machine LearningMachine LearningBeginner
Jetzt üben

This tutorial is from open-source community. Access the source code

💡 Dieser Artikel wurde von AI-Assistenten übersetzt. Um die englische Version anzuzeigen, können Sie hier klicken

Einführung

In diesem Lab werden wir die isotone Regression mit scikit-learn erkunden. Isotone Regression ist eine Technik, die eine nicht abnehmende Funktion auf eindimensionale Daten anpasst. Sie ist nützlich, wenn Sie Daten haben, die die Linearkonstellation in einem Regressionsmodell nicht erfüllen.

Tipps für die VM

Nachdem der VM-Start abgeschlossen ist, klicken Sie in der oberen linken Ecke, um zur Registerkarte Notebook zu wechseln und Jupyter Notebook für die Übung zu öffnen.

Manchmal müssen Sie einige Sekunden warten, bis Jupyter Notebook vollständig geladen ist. Die Validierung von Vorgängen kann aufgrund der Einschränkungen von Jupyter Notebook nicht automatisiert werden.

Wenn Sie während des Lernens Probleme haben, können Sie Labby gerne fragen. Geben Sie nach der Sitzung Feedback, und wir werden das Problem für Sie prompt beheben.


Skills Graph

%%%%{init: {'theme':'neutral'}}%%%% flowchart RL sklearn(("Sklearn")) -.-> sklearn/ModelSelectionandEvaluationGroup(["Model Selection and Evaluation"]) ml(("Machine Learning")) -.-> ml/FrameworkandSoftwareGroup(["Framework and Software"]) sklearn/ModelSelectionandEvaluationGroup -.-> sklearn/isotonic("Isotonic Regression") ml/FrameworkandSoftwareGroup -.-> ml/sklearn("scikit-learn") subgraph Lab Skills sklearn/isotonic -.-> lab-71112{{"Nichtlineare Regression mit Isotoner Regression"}} ml/sklearn -.-> lab-71112{{"Nichtlineare Regression mit Isotoner Regression"}} end

Importieren der erforderlichen Bibliotheken

Lassen Sie uns beginnen, die Klasse IsotonicRegression aus dem Modul sklearn.isotonic zu importieren.

from sklearn.isotonic import IsotonicRegression

Erstellen von Beispiel-Daten

Als nächstes müssen wir einige Beispiel-Daten erstellen, um unser isotones Regressionsmodell anzupassen. In diesem Beispiel werden wir zwei Arrays, X und y, generieren, die die Eingabedaten und die Zielwerte darstellen, respectively.

import numpy as np

## Generate random input data
np.random.seed(0)
X = np.random.rand(100)
y = 4 * X + np.random.randn(100)

Anpassen des isotonen Regressionsmodells

Jetzt können wir das isotone Regressionsmodell an unsere Daten anpassen. Wir erstellen eine Instanz der Klasse IsotonicRegression und rufen die fit-Methode mit unseren Eingabedaten und Zielwerten auf.

## Fit isotonic regression model
ir = IsotonicRegression()
ir.fit(X, y)

Vorhersagen mit dem Modell

Nachdem das Modell angepasst wurde, können wir es verwenden, um Vorhersagen für neue Daten zu machen. Lassen Sie uns ein neues Array X_new erstellen und die entsprechenden Zielwerte vorhersagen.

## Create new data for prediction
X_new = np.linspace(0, 1, 100)
y_pred = ir.predict(X_new)

Visualisierung der Ergebnisse

Schließlich lassen Sie uns die Ergebnisse unseres isotonen Regressionsmodells visualisieren. Wir können die ursprünglichen Datenpunkte als Streudiagrammpunkte und die vorhergesagten Werte als Linie plotten.

import matplotlib.pyplot as plt

## Plot the original data and predicted values
plt.scatter(X, y, c='b', label='Original Data')
plt.plot(X_new, y_pred, c='r', label='Isotonic Regression')
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.show()

Zusammenfassung

Isotones Regression ist eine nützliche Technik, wenn Sie nicht-lineare Daten haben, die den Annahmen eines linearen Regressionsmodells nicht entsprechen. Indem eine nicht-abnehmende Funktion an die Daten angepasst wird, liefert die isotone Regression eine stückweise lineare Näherung, die die zugrunde liegende Tendenz in den Daten erfasst. In diesem Lab haben wir gelernt, wie man die IsotonicRegression-Klasse von scikit-learn verwendet, um ein isotones Regressionsmodell anzupassen, Vorhersagen zu machen und die Ergebnisse zu visualisieren.