HTML CSS JAVASCRIPT SQL PYTHON PHP HOW TO W3.CSS JAVA JQUERY C++ R React
ภาษาไทย Afrikaans العربية čeština Deutsch Español Français हिन्दी Bahasa Indonesia Italiano 日本語 한국어 မြန်မာဘာသာ Nederlands Polski Português Русский Türkçe Tiếng Việt

Python ကျူတိုရီရယ်

Python ပင်မစာမျက်နှာ Python နိဒါန်း Python ကို စတင်လိုက်ပါ။ Python Syntax Python မှတ်ချက်များ Python Variables များ
Python Variables Variable Names Assign Multiple Values Output Variables Global Variables Variable Exercises
Python Data အမျိုးအစားများ Python နံပါတ်များ Python Casting Python ကြိုးများ
Python Strings Slicing Strings Modify Strings Concatenate Strings Format Strings Escape Characters String Methods String Exercises
Python Booleans Python အော်ပရေတာများ Python စာရင်းများ
Python Lists Access List Items Change List Items Add List Items Remove List Items Loop Lists List Comprehension Sort Lists Copy Lists Join Lists List Methods List Exercises
Python Tuples
Python Tuples Access Tuples Update Tuples Unpack Tuples Loop Tuples Join Tuples Tuple Methods Tuple Exercises
Python အစုံများ
Python Sets Access Set Items Add Set Items Remove Set Items Loop Sets Join Sets Set Methods Set Exercises
Python အဘိဓာန်များ
Python Dictionaries Access Items Change Items Add Items Remove Items Loop Dictionaries Copy Dictionaries Nested Dictionaries Dictionary Methods Dictionary Exercise
Python If... Else Python while Loops Python For Loops Python လုပ်ဆောင်ချက်များ Python Lambda Python Arrays Python အတန်းများ/အရာဝတ္ထုများ Python Inheritance Python Iterators Python နယ်ပယ် Python Modules Python နေ့စွဲများ Python သင်္ချာ Python JSON Python RegEx Python PIP Python ကိုစမ်းကြည့်ပါ... ကလွဲရင် Python အသုံးပြုသူ ထည့်သွင်းမှု Python String Formatting

ဖိုင်ကိုင်တွယ်ခြင်း။

Python ဖိုင်ကို ကိုင်တွယ်ခြင်း။ Python ဖိုင်များကိုဖတ်ပါ။ Python ဖိုင်များကို ရေးသားခြင်း/ဖန်တီးပါ။ Python ဖိုင်များကိုဖျက်ပါ။

Python Modules

NumPy ကျူတိုရီရယ် Panda ကျင့်စဉ် Scipy ကျူတိုရီရယ်

Python Matplotlib

Matplotlib နိဒါန်း Matplotlib ကို စတင်လိုက်ပါ။ Matplotlib Pyplot Matplotlib Plotting Matplotlib အမှတ်အသားများ Matplotlib လိုင်း Matplotlib အညွှန်းများ Matplotlib Grid Matplotlib အပိုင်းခွဲများ Matplotlib ဖြန့်ကြဲခြင်း။ Matplotlib ဘားများ Matplotlib Histograms Matplotlib Pie ဇယားများ

စက်သင်ယူခြင်း။

စတင်အသုံးပြုခြင်း Mean Median Mode စံလွဲခြင်း။ ရာခိုင်နှုန်း ဒေတာဖြန့်ဝေခြင်း။ ပုံမှန်ဒေတာဖြန့်ဝေ ကွက်ကျားကွက်၊ Linear Regression Polynomial Regression Multiple Regression အတိုင်းအတာ ရထား/စမ်းသပ်မှု ဆုံးဖြတ်ချက်သစ်ပင်

Python MySQL

MySQL စတင်လိုက်ပါ။ MySQL ဒေတာဘေ့စ်ဖန်တီးပါ။ MySQL ဇယားဖန်တီးပါ။ MySQL ထည့်သွင်းခြင်း။ MySQL ကို ရွေးပါ။ MySQL ဘယ်မှာလဲ။ MySQL Order By MySQL ကိုဖျက်ပါ။ MySQL Drop Table MySQL အပ်ဒိတ် MySQL ကန့်သတ်ချက် MySQL Join

Python MongoDB

MongoDB စတင်လိုက်ပါ။ MongoDB ဒေတာဘေ့စ်ဖန်တီးပါ။ MongoDB သည် Collection ကိုဖန်တီးပါ။ MongoDB ထည့်သွင်းပါ။ MongoDB ကိုရှာပါ။ MongoDB မေးခွန်း MongoDB အမျိုးအစား MongoDB ကိုဖျက်ပါ။ MongoDB Drop Collection MongoDB အပ်ဒိတ် MongoDB ကန့်သတ်ချက်

Python အကိုးအကား

Python ခြုံငုံသုံးသပ်ချက် Python Built-in လုပ်ဆောင်ချက်များ Python String နည်းလမ်းများ Python စာရင်းနည်းလမ်းများ Python Dictionary Methods Python Tuple နည်းလမ်းများ Python သတ်မှတ်နည်းလမ်းများ Python ဖိုင်နည်းလမ်းများ Python သော့ချက်စာလုံးများ Python ခြွင်းချက်များ Python ဝေါဟာရ

Module အကိုးအကား

ကျပန်း Module တောင်းဆိုမှုများ Module Statistics Module သင်္ချာ မော်ဂျူး cMath မော်ဂျူး

Python လုပ်နည်း

စာရင်းပွားများကို ဖယ်ရှားပါ။ ကြိုးတစ်ချောင်းကို ပြောင်းပြန် နံပါတ်နှစ်ခုထည့်ပါ။

Python ဥပမာများ

Python ဥပမာများ Python Compiler Python လေ့ကျင့်ခန်းများ Python Quiz Python လက်မှတ်

စက်သင်ယူခြင်း - များစွာသော ဆုတ်ယုတ်မှု

❮ ယခင် နောက်တစ်ခု ❯

Multiple Regression

Multiple regression သည် linear regression နှင့်တူသော်လည်း၊ တစ်ခုထက်ပိုသော အမှီအခိုကင်းသောတန်ဖိုးဖြင့်၊ ဆိုလိုသည်မှာ ကိန်းရှင် နှစ်ခု သို့မဟုတ် နှစ်ခုထက်ပို သော variable များကို အခြေခံ၍ တန်ဖိုးတစ်ခုကို ခန့်မှန်းရန်ကြိုးစားခြင်းဖြစ်သည် ။

အောက်ဖော်ပြပါ ဒေတာအတွဲကို ကြည့်ပါ၊ ၎င်းတွင် ကားများနှင့်ပတ်သက်သည့် အချက်အလက်အချို့ပါရှိသည်။

ကား မော်ဒယ် အတွဲ အလေးချိန် CO2
တိုယိုတာ Aygo ၁၀၀၀ ၇၉၀ ၉၉
မစ်ဆူဘီရှီ အာကာသကြယ် ၁၂၀၀ ၁၁၆၀ ၉၅
စကိုဒါ Citigo ၁၀၀၀ ၉၂၉ ၉၅
Fiat ၅၀၀ ၉၀၀ ၈၆၅ ၉၀
မီနီ ကူပါ ၁၅၀၀ ၁၁၄၀ ၁၀၅
VW တက်! ၁၀၀၀ ၉၂၉ ၁၀၅
စကိုဒါ Fabia ၁၄၀၀ ၁၁၀၉ ၉၀
မာစီးဒီး A-Class ပါ။ ၁၅၀၀ ၁၃၆၅ ၉၂
ဖို့ဒ် Fiesta ၁၅၀၀ ၁၁၁၂ ၉၈
အော်ဒီ A1 ၁၆၀၀ ၁၁၅၀ ၉၉
ဟွန်ဒိုင်း I20 ၁၁၀၀ ၉၈၀ ၉၉
ဆူဇူကီး လျင်မြန်သည်။ ၁၃၀၀ ၉၉၀ ၁၀၁
ဖို့ဒ် Fiesta ၁၀၀၀ ၁၁၁၂ ၉၉
ဟွန်ဒါ အရပ်ဘက် ၁၆၀၀ ၁၂၅၂ ၉၄
ဟွန်ဒိုင်း I30 ၁၆၀၀ ၁၃၂၆ ၉၇
Opel Astra ၁၆၀၀ ၁၃၃၀ ၉၇
ဘီအမ်ဒဗလျူ ၁ ၁၆၀၀ ၁၃၆၅ ၉၉
မာဇဒါ ၃ ၂၂၀၀ ၁၂၈၀ ၁၀၄
စကိုဒါ မြန်သည်။ ၁၆၀၀ ၁၁၁၉ ၁၀၄
ဖို့ဒ် အာရုံစူးစိုက်မှု ၂၀၀၀ ၁၃၂၈ ၁၀၅
ဖို့ဒ် Mondeo ၁၆၀၀ ၁၅၈၄ ၉၄
Opel အဆောင်အယောင် ၂၀၀၀ ၁၄၂၈ ၉၉
မာစီးဒီး C-Class ၂၁၀၀ ၁၃၆၅ ၉၉
စကိုဒါ Octavia ၁၆၀၀ ၁၄၁၅ ၉၉
Volvo S60 ၂၀၀၀ ၁၄၁၅ ၉၉
မာစီးဒီး CLA ၁၅၀၀ ၁၄၆၅ ၁၀၂
အော်ဒီ A4 ၂၀၀၀ ၁၄၉၀ ၁၀၄
အော်ဒီ A6 ၂၀၀၀ ၁၇၂၅ ၁၁၄
Volvo V70 ၁၆၀၀ ၁၅၂၃ ၁၀၉
ဘီအမ်ဒဗလျူ ၅ ၂၀၀၀ ၁၇၀၅ ၁၁၄
မာစီးဒီး E-Class ပါ။ ၂၁၀၀ ၁၆၀၅ ၁၁၅
Volvo XC70 ၂၀၀၀ ၁၇၄၆ ၁၁၇
ဖို့ဒ် B-Max ၁၆၀၀ ၁၂၃၅ ၁၀၄
ဘီအမ်ဒဗလျူ ၂ ၁၆၀၀ ၁၃၉၀ ၁၀၈
Opel Zafira ၁၆၀၀ ၁၄၀၅ ၁၀၉
မာစီးဒီး SLK ၂၅၀၀ ၁၃၉၅ ၁၂၀

အင်ဂျင်အရွယ်အစားပေါ်မူတည်၍ ကားတစ်စီး၏ CO2 ထုတ်လွှတ်မှုကို ကျွန်ုပ်တို့ ခန့်မှန်းနိုင်သော်လည်း ခန့်မှန်းချက်ကို ပိုမိုတိကျစေရန်အတွက် ကား၏အလေးချိန်ကဲ့သို့ အမျိုးမျိုးသော ဆုတ်ယုတ်မှုများစွာဖြင့် ကျွန်ုပ်တို့သည် ခန့်မှန်းမှုကို ပိုမိုတိကျစေရန်အတွက် ဖြစ်ပါသည်။

ဤအရာဘယ်လိုအလုပ်လုပ်လဲ?

Python တွင် ကျွန်ုပ်တို့အတွက် လုပ်ဆောင်ပေးမည့် module များရှိသည်။ Pandas module ကိုထည့်သွင်းခြင်းဖြင့်စတင်ပါ။

import pandas

ကျွန်ုပ်တို့၏ Pandas ကျူတိုရီရယ် တွင် Pandas module အကြောင်း လေ့လာပါ ။

Pandas module သည် ကျွန်ုပ်တို့အား csv ဖိုင်များကိုဖတ်ရှုနိုင်ပြီး DataFrame အရာဝတ္တုကို ပြန်ပေးနိုင်သည်။

ဖိုင်ကို စမ်းသပ်ရန်အတွက်သာ ရည်ရွယ်သည်၊ သင်သည် ၎င်းကို ဤနေရာတွင် ဒေါင်းလုဒ်လုပ်နိုင်သည်- cars.csv

df = pandas.read_csv("cars.csv")

ထို့နောက် လွတ်လပ်သောတန်ဖိုးများစာရင်းတစ်ခုပြုလုပ်ပြီး ဤကိန်းရှင်ကိုခေါ်ဆိုပါ X။

မှီခိုတန်ဖိုးများကို ခေါ်သော ကိန်းရှင်တစ်ခုတွင် ထည့်ပါ y။

X = df[['Weight', 'Volume']]
y = df['CO2']

အကြံပြုချက်- စာလုံးကြီး X ဖြင့် သီးခြားတန်ဖိုးများစာရင်းကို အမည်ပေးကာ၊ စာလုံးအသေး y ဖြင့် မှီခိုနေသောတန်ဖိုးများစာရင်းကို အမည်ပေးလေ့ရှိသည်။

ကျွန်ုပ်တို့သည် sklearn module မှနည်းလမ်းအချို့ကိုအသုံးပြုမည်ဖြစ်သည်၊ ထို့ကြောင့်ကျွန်ုပ်တို့သည်ထို module ကိုတင်သွင်းရန်ရှိသည်-

from sklearn import linear_model

sklearn module မှ LinearRegression()linear regression object တစ်ခုကို ဖန်တီးရန် နည်းလမ်းကို အသုံးပြုပါမည်။

ဤအရာဝတ္တုတွင် fit()အမှီအခိုကင်းပြီး မှီခိုတန်ဖိုးများကို ကန့်သတ်ချက်များအဖြစ် ယူကာ ဆက်နွယ်မှုကို ဖော်ပြသည့် ဒေတာဖြင့် ဆုတ်ယုတ်မှုအရာဝတ္တုကို ဖြည့်ပေးသည့် နည်းလမ်းတစ်ခု ရှိသည်-

regr = linear_model.LinearRegression()
regr.fit(X, y)

ယခု ကျွန်ုပ်တို့တွင် ကားတစ်စီး၏ အလေးချိန်နှင့် ထုထည်အပေါ်အခြေခံ၍ CO2 တန်ဖိုးများကို ခန့်မှန်းရန် အဆင်သင့်ဖြစ်နေပါပြီ-

#predict the CO2 emission of a car where the weight is 2300kg, and the volume is 1300cm3:
predictedCO2 = regr.predict([[2300, 1300]])

ဥပမာ

လုပ်ဆောင်ချက်တစ်ခုလုံးကို နမူနာကြည့်ပါ-

import pandas
from sklearn import linear_model

df = pandas.read_csv("cars.csv")

X = df[['Weight', 'Volume']]
y = df['CO2']

regr = linear_model.LinearRegression()
regr.fit(X, y)

#predict the CO2 emission of a car where the weight is 2300kg, and the volume is 1300cm3:
predictedCO2 = regr.predict([[2300, 1300]])

print(predictedCO2)

ရလဒ်:

[107.2087328]

1.3 လီတာအင်ဂျင်နှင့် အလေးချိန် 2300 ကီလိုဂရမ်ရှိသော ကားတစ်စီးသည် ၎င်းမောင်းနှင်သည့်ကီလိုမီတာတိုင်းအတွက် ကာဗွန်ဒိုင်အောက်ဆိုဒ် 107 ဂရမ်ခန့် ထုတ်လွှတ်မည်ဟု ကျွန်ုပ်တို့ ခန့်မှန်းထားသည်။

ကိန်းဂဏန်း

ကိန်းဂဏန်းသည် အမည်မသိကိန်းရှင်တစ်ခုနှင့် ဆက်နွယ်မှုကို ဖော်ပြသည့် အချက်တစ်ခုဖြစ်သည်။

ဥပမာ- xကိန်းရှင်တစ်ခုဖြစ်ပါက၊ ထို့နောက် နှစ်ကြိမ်ဖြစ်သည် 2x။ မသိသောကိန်းရှင်ဖြစ်ပြီး နံပါတ် သည် ကိန်းကိန်းဖြစ်သည်။xx2

ဤကိစ္စတွင်၊ CO2 နှင့် အလေးချိန်၏ ဖော်ကိန်းတန်ဖိုးနှင့် CO2 နှင့် ထုထည်အတွက် ကျွန်ုပ်တို့ တောင်းဆိုနိုင်ပါသည်။ ကျွန်ုပ်တို့ရရှိသော အဖြေ(များ)သည် လွတ်လပ်သောတန်ဖိုးများထဲမှ တစ်ခုကို ကျွန်ုပ်တို့ တိုး၊ သို့မဟုတ် လျော့ပါက ဘာဖြစ်မည်ကို ပြောပြသည်။

ဥပမာ

ဆုတ်ယုတ်မှုအရာဝတ္ထု၏ ဖော်ကိန်းတန်ဖိုးများကို ပရင့်ထုတ်ပါ-

import pandas
from sklearn import linear_model

df = pandas.read_csv("cars.csv")

X = df[['Weight', 'Volume']]
y = df['CO2']

regr = linear_model.LinearRegression()
regr.fit(X, y)

print(regr.coef_)

ရလဒ်:

[0.00755095 0.00780526]

ရလဒ်ရှင်းပြသည်။

ရလဒ် array သည် အလေးချိန်နှင့် ထုထည်၏ ဖော်ကိန်းတန်ဖိုးများကို ကိုယ်စားပြုသည်။

အလေးချိန်- 0.00755095
အတွဲ- 0.00780526

အလေးချိန် 1 ကီလိုဂရမ် တိုးလာပါက CO2 ထုတ်လွှတ်မှု 0.00755095g တိုးလာသည်ဟု ဤတန်ဖိုးများက ပြောပြသည်။

အင်ဂျင်အရွယ်အစား (Volume) 1 cm 3 တိုးလာပါက CO2 ထုတ်လွှတ်မှုသည် 0.00780526 g တိုးလာသည်။

ဒါဟာ မျှတတဲ့ မှန်းဆချက်လို့ ကျွန်တော်ထင်ပါတယ်၊ ဒါပေမယ့် စမ်းသပ်ကြည့်ရအောင်။

၁၃၀၀ စင်တီမီတာ ၃ အင်ဂျင် ပါသော ကားတစ်စီးသည် အလေးချိန် ၂၃၀၀ ကီလိုဂရမ်ရှိလျှင် CO2 ထုတ်လွှတ်မှုသည် ခန့်မှန်းခြေအားဖြင့် 107 ဂရမ်ရှိမည်ဟု ကျွန်ုပ်တို့ ခန့်မှန်းထားပြီးဖြစ်သည်။

ကိုယ်အလေးချိန် 1000kg တိုးရင် ဘယ်လိုလုပ်မလဲ။

ဥပမာ

ယခင်နမူနာကို ကူးယူပါ၊ သို့သော် အလေးချိန် 2300 မှ 3300 သို့ပြောင်းပါ။

import pandas
from sklearn import linear_model

df = pandas.read_csv("cars.csv")

X = df[['Weight', 'Volume']]
y = df['CO2']

regr = linear_model.LinearRegression()
regr.fit(X, y)

predictedCO2 = regr.predict([[3300, 1300]])

print(predictedCO2)

ရလဒ်:

[114.75968007]

1.3 လီတာအင်ဂျင်နှင့် အလေးချိန် 3300 ကီလိုဂရမ်ရှိသော ကားတစ်စီးသည် ၎င်းမောင်းနှင်သည့်ကီလိုမီတာတိုင်းအတွက် ကာဗွန်ဒိုင်အောက်ဆိုဒ် 115 ဂရမ်ခန့် ထုတ်လွှတ်မည်ဟု ကျွန်ုပ်တို့ ခန့်မှန်းထားသည်။

0.00755095 ၏ coefficient မှန်ကန်ကြောင်းပြသသည်-

107.2087328 + (1000*0.00755095) = 114.75968

❮ ယခင် နောက်တစ်ခု ❯