Regressão Linear com Esparsidade | Conjunto de Dados de Diabetes | Scikit-learn

Introdução

Este laboratório demonstra como realizar regressão linear com esparcidade utilizando o conjunto de dados de diabetes do scikit-learn. Iremos ajustar apenas duas características do conjunto de dados e plotar os resultados para ilustrar o conceito de esparcidade.

Dicas da Máquina Virtual

Após o arranque da máquina virtual, clique no canto superior esquerdo para mudar para a aba Notebook para aceder ao Jupyter Notebook para a prática.

Por vezes, pode ser necessário esperar alguns segundos para o Jupyter Notebook terminar o carregamento. A validação das operações não pode ser automatizada devido a limitações no Jupyter Notebook.

Se tiver problemas durante a aprendizagem, não hesite em contactar o Labby. Forneça feedback após a sessão e resolveremos prontamente o problema para si.

Carregar o Conjunto de Dados de Diabetes

Primeiro, carregamos o conjunto de dados de diabetes do scikit-learn e dividimos-o em conjuntos de treino e teste.

from sklearn import datasets
import numpy as np

X, y = datasets.load_diabetes(return_X_y=True)
indices = (0, 1)

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

Ajustar um Modelo de Regressão Linear

Em seguida, ajustamos um modelo de regressão linear ao conjunto de treino.

from sklearn import linear_model

ols = linear_model.LinearRegression()
_ = ols.fit(X_train, y_train)

Plotar os Resultados

Finalmente, plotamos os resultados a partir de três vistas diferentes para ilustrar o conceito de esparcidade.

import matplotlib.pyplot as plt

## importação não utilizada, mas necessária para fazer projeções 3D com matplotlib < 3.2
import mpl_toolkits.mplot3d  ## noqa: F401


def plot_figs(fig_num, elev, azim, X_train, clf):
    fig = plt.figure(fig_num, figsize=(4, 3))
    plt.clf()
    ax = fig.add_subplot(111, projection="3d", elev=elev, azim=azim)

    ax.scatter(X_train[:, 0], X_train[:, 1], y_train, c="k", marker="+")
    ax.plot_surface(
        np.array([[-0.1, -0.1], [0.15, 0.15]]),
        np.array([[-0.1, 0.15], [-0.1, 0.15]]),
        clf.predict(
            np.array([[-0.1, -0.1, 0.15, 0.15], [-0.1, 0.15, -0.1, 0.15]]).T
        ).reshape((2, 2)),
        alpha=0.5,
    )
    ax.set_xlabel("X_1")
    ax.set_ylabel("X_2")
    ax.set_zlabel("Y")
    ax.xaxis.set_ticklabels([])
    ax.yaxis.set_ticklabels([])
    ax.zaxis.set_ticklabels([])


## Gerar as três figuras diferentes a partir de diferentes vistas
elev = 43.5
azim = -110
plot_figs(1, elev, azim, X_train, ols)

elev = -0.5
azim = 0
plot_figs(2, elev, azim, X_train, ols)

elev = -0.5
azim = 90
plot_figs(3, elev, azim, X_train, ols)

plt.show()

Sumário

Este laboratório demonstrou como realizar regressão linear com esparcidade utilizando o conjunto de dados de diabetes do scikit-learn. Ajustamos apenas duas características do conjunto de dados e plotamos os resultados para ilustrar o conceito de esparcidade.

Exemplo de Regressão Linear com Esparsidade