စက်သင်ယူခြင်း - များစွာသော ဆုတ်ယုတ်မှု
Polynomial Regression
အကယ်၍ သင်၏ ဒေတာအချက်များသည် မျဉ်းကြောင်းပြန်ဆုတ်ခြင်း (ဒေတာအချက်အားလုံးမှတဆင့် မျဉ်းဖြောင့်မျဉ်း) နှင့် ကိုက်ညီမှုမရှိပါက၊ ၎င်းသည် ပေါင်းကူးအမည်ဆုတ်ယုတ်ခြင်းအတွက် စံပြဖြစ်နိုင်သည်။
မျဉ်းကြောင်းပြန်ဆုတ်ခြင်းကဲ့သို့ မျဉ်းကြောင်းပြန်ဆုတ်ခြင်းကဲ့သို့ သာလီနမီးယား ဆုတ်ယုတ်မှုသည် ကိန်းရှင် x နှင့် y အကြား ဆက်ဆံရေးကို ဒေတာအချက်များမှတဆင့် မျဉ်းဆွဲရန် အကောင်းဆုံးနည်းလမ်းကို ရှာဖွေရန် အသုံးပြုသည်။
ဤအရာဘယ်လိုအလုပ်လုပ်လဲ?
Python တွင် data-points များကြားဆက်စပ်မှုကိုရှာဖွေရန်နှင့် polynomial regression မျဉ်းဆွဲရန်နည်းလမ်းများရှိသည်။ သင်္ချာဖော်မြူလာကို ဖြတ်သန်းမည့်အစား ဤနည်းလမ်းများကို သင်မည်သို့အသုံးပြုရမည်ကို ပြသပါမည်။
အောက်ဖော်ပြပါ ဥပမာတွင်၊ ၎င်းတို့သည် အခကြေးငွေပေးရသော ဂိတ်တစ်ခုကို ဖြတ်သန်းနေစဉ် ကား ၁၈ စီး မှတ်ပုံတင်ထားသည်။
ကျွန်ုပ်တို့သည် ကား၏အရှိန်ကို မှတ်ပုံတင်ထားပြီး နေ့ (နာရီ) အချိန်က ဖြတ်သန်းသွားပါသည်။
x-axis သည် နေ့၏နာရီများကို ကိုယ်စားပြုပြီး y-axis သည် အမြန်နှုန်းကို ကိုယ်စားပြုသည်-
ဥပမာ
ဖြန့်ကြဲကွက်တစ်ခုဆွဲခြင်းဖြင့် စတင်ပါ။
import matplotlib.pyplot as plt
x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y = [100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]
plt.scatter(x, y)
plt.show()
ရလဒ်:
ဥပမာ
တင်သွင်းပြီး Polynomial Regression numpyမျဉ်း
matplotlibကိုဆွဲပါ-
import numpy
import matplotlib.pyplot as plt
x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y =
[100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]
mymodel =
numpy.poly1d(numpy.polyfit(x, y, 3))
myline = numpy.linspace(1, 22, 100)
plt.scatter(x, y)
plt.plot(myline, mymodel(myline))
plt.show()
ရလဒ်:
နမူနာရှင်းပြထားပါတယ်။
သင်လိုအပ်သော module များကိုတင်သွင်းပါ။
ကျွန်ုပ်တို့၏ NumPy Tutorial တွင် NumPy module အကြောင်း သင်လေ့လာနိုင်ပါသည် ။
ကျွန်ုပ်တို့၏ SciPy Tutorial တွင် SciPy module အကြောင်း သင်လေ့လာနိုင်ပါသည် ။
import numpy
import matplotlib.pyplot as plt
x နှင့် y ဝင်ရိုးများ၏ တန်ဖိုးများကို ကိုယ်စားပြုသည့် array များကို ဖန်တီးပါ-
x = [1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y =
[100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]
NumPy တွင် polynomial model တစ်ခုပြုလုပ်နိုင်စေမည့် နည်းလမ်းတစ်ခုရှိသည်။
mymodel =
numpy.poly1d(numpy.polyfit(x, y, 3))
ထို့နောက် မျဉ်းကြောင်းကို မည်သို့ပြသမည်ကို သတ်မှတ်ပါ၊ ကျွန်ုပ်တို့သည် အနေအထား 1 မှ စတင်ကာ အနေအထား 22 တွင် အဆုံးသတ်သည်-
myline = numpy.linspace(1, 22, 100)
မူရင်း ကွက်လပ်ကို ဆွဲပါ-
plt.scatter(x, y)
များစွာသော ဆုတ်ယုတ်မှုမျဉ်းကို ဆွဲပါ-
plt.plot(myline, mymodel(myline))
ပုံကြမ်းကို ပြပါ-
plt.show()
R-နှစ်ထပ်
x- နှင့် y-axis တို့၏ တန်ဖိုးများကြား ဆက်စပ်မှု မည်မျှ ကောင်းမွန်ကြောင်း သိရန် အရေးကြီးသည်၊ အကယ်၍ ဆက်နွယ်မှု မရှိပါက၊ polynomial regression ကို မည်သည့်အရာကိုမျှ ခန့်မှန်းရန် အသုံးမပြုနိုင်ပါ။
ဆက်စပ်မှုကို r-squared ဟုခေါ်သော တန်ဖိုးဖြင့် တိုင်းတာသည်။
r-squared တန်ဖိုးသည် 0 မှ 1 အထိရှိပါသည်၊ 0 မှ 0 သည် ဆက်စပ်မှုမရှိပါ၊ 1 သည် 100% ဆက်စပ်နေသည်။
Python နှင့် Sklearn module သည် သင့်အတွက် ဤတန်ဖိုးကို တွက်ချက်ပေးမည် ဖြစ်ပြီး သင်လုပ်ရန်မှာ ၎င်းကို x နှင့် y arrays များဖြင့် ကျွေးခြင်းဖြစ်သည်-
ဥပမာ
ကျွန်ုပ်၏ဒေတာသည် ကိန်းဂဏန်းများ ဆုတ်ယုတ်မှုတွင် မည်မျှ ကောင်းစွာ ကိုက်ညီသနည်း။
import numpy
from sklearn.metrics import r2_score
x =
[1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y =
[100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]
mymodel =
numpy.poly1d(numpy.polyfit(x, y, 3))
print(r2_score(y, mymodel(x)))
မှတ်ချက်- ရလဒ် 0.94 သည် အလွန်ကောင်းမွန်သော ဆက်နွယ်မှုရှိကြောင်း ပြသပြီး အနာဂတ်ဟောကိန်းများအတွက် ပေါလီအမည်ဆုတ်ယုတ်မှုကို ကျွန်ုပ်တို့ အသုံးပြုနိုင်ပါသည်။
အနာဂတ်တန်ဖိုးများကို ခန့်မှန်းပါ။
ယခု ကျွန်ုပ်တို့စုဆောင်းထားသော အချက်အလက်များကို အနာဂတ်တန်ဖိုးများကို ခန့်မှန်းနိုင်ပါပြီ။
ဥပမာ- ည ၁၇ နာရီဝန်းကျင်မှာ တိုးဂိတ်ကိုဖြတ်လာတဲ့ ကားတစ်စီးရဲ့အရှိန်ကို ခန့်မှန်းကြည့်ရအောင်။
ဒီလိုလုပ်ဖို့၊ mymodelအထက်နမူနာကနေ တူညီတဲ့ array ကို လိုအပ်ပါတယ်-
mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))
ဥပမာ
ညနေ ၁၇ နာရီ အချိန်တွင် ကားတစ်စီး ဖြတ်သန်း အရှိန်ကို ခန့်မှန်းပါ ။
import numpy
from sklearn.metrics import r2_score
x =
[1,2,3,5,6,7,8,9,10,12,13,14,15,16,18,19,21,22]
y =
[100,90,80,60,60,55,60,65,70,70,75,76,78,79,90,99,99,100]
mymodel =
numpy.poly1d(numpy.polyfit(x, y, 3))
speed = mymodel(17)
print(speed)
ဥပမာသည် အမြန်နှုန်း 88.87 ဖြစ်မည်ဟု ခန့်မှန်းထားသည်၊ ထိုပုံကြမ်းမှ ကျွန်ုပ်တို့လည်း ဖတ်နိုင်သည်-
ကြံ့ခိုင်မှု မကောင်းဘူးလား။
များစွာသော ဆုတ်ယုတ်မှုသည် အနာဂတ်တန်ဖိုးများကို ခန့်မှန်းရန် အကောင်းဆုံးနည်းလမ်းမဟုတ်သည့် ဥပမာတစ်ခုကို ဖန်တီးကြပါစို့။
ဥပမာ
x- နှင့် y-axis များအတွက် ဤတန်ဖိုးများသည် polynomial regression အတွက် အလွန်ဆိုးရွားသော ရလဒ်ဖြစ်သင့်သည်-
import numpy
import matplotlib.pyplot as plt
x =
[89,43,36,36,95,10,66,34,38,20,26,29,48,64,6,5,36,66,72,40]
y =
[21,46,3,35,67,95,53,72,58,10,26,34,90,33,38,20,56,2,47,15]
mymodel =
numpy.poly1d(numpy.polyfit(x, y, 3))
myline = numpy.linspace(2, 95, 100)
plt.scatter(x, y)
plt.plot(myline, mymodel(myline))
plt.show()
ရလဒ်:
r-squared တန်ဖိုး?
ဥပမာ
သင်သည် အလွန်နိမ့်သော r-squared တန်ဖိုးကို ရသင့်သည်။
import numpy
from sklearn.metrics import r2_score
x =
[89,43,36,36,95,10,66,34,38,20,26,29,48,64,6,5,36,66,72,40]
y =
[21,46,3,35,67,95,53,72,58,10,26,34,90,33,38,20,56,2,47,15]
mymodel =
numpy.poly1d(numpy.polyfit(x, y, 3))
print(r2_score(y, mymodel(x)))
ရလဒ်- 0.00995 သည် အလွန်ဆိုးရွားသော ဆက်ဆံရေးကို ညွှန်ပြပြီး ဤဒေတာအတွဲသည် ကိန်းဂဏန်းများ ဆုတ်ယုတ်ခြင်းအတွက် မသင့်လျော်ကြောင်း ပြောပြသည်။