စက်သင်ယူခြင်း - စကေး

စကေးအင်္ဂါရပ်များ

သင့်ဒေတာတွင် မတူညီသော တန်ဖိုးများနှင့် မတူညီသော တိုင်းတာမှုယူနစ်များ ရှိနေပါက ၎င်းတို့ကို နှိုင်းယှဉ်ရန် ခက်ခဲနိုင်သည်။ ကီလိုဂရမ်ဆိုတာ မီတာနဲ့ယှဉ်ရင် ဘာလဲ။ ဒါမှမဟုတ် အမြင့်ပေက အချိန်နဲ့နှိုင်းလား။

ဤပြဿနာအတွက် အဖြေမှာ အတိုင်းအတာဖြစ်သည်။ ကျွန်ုပ်တို့သည် ဒေတာကို နှိုင်းယှဉ်ရန် ပိုမိုလွယ်ကူသော တန်ဖိုးအသစ်များအဖြစ် အတိုင်းအတာကို တိုင်းတာနိုင်ပါသည်။

အောက်ဖော်ပြပါဇယားကိုကြည့်ပါ၊ ၎င်းသည် များစွာသောဆုတ်ယုတ်မှုအခန်းတွင် ကျွန်ုပ်တို့ အသုံးပြုခဲ့သည့် ဒေတာအစုံနှင့် အတူတူပင်ဖြစ်သည် ၊ သို့သော် ယခုအကြိမ်တွင် ထုထည် ကော်လံတွင် စင်တီမီတာ ³ (1000 အစား 1.0 အစား 1.0) အစား လီ တာ တွင် တန်ဖိုးများပါရှိသည်။

ဖိုင်ကို စမ်းသပ်ရန်အတွက်သာ ရည်ရွယ်သည်၊ သင်သည် ၎င်းကို ဤနေရာတွင် ဒေါင်းလုဒ်ဆွဲနိုင်သည်- cars2.csv

Volume 1.0 ကို အလေးချိန် 790 နှင့် နှိုင်းယှဉ်ရန် ခက်ခဲနိုင်သော်လည်း ၎င်းတို့ နှစ်ခုလုံးကို နှိုင်းယှဉ်နိုင်သော တန်ဖိုးများအဖြစ် တိုင်းတာပါက အခြားတန်ဖိုးတစ်ခုနှင့် နှိုင်းယှဉ်ပါက မည်မျှရှိသည်ကို အလွယ်တကူ သိနိုင်သည်။

ဒေတာကို စကေးချရန် နည်းလမ်းအမျိုးမျိုးရှိပါသည်၊ ဤသင်ခန်းစာတွင် standardization ဟုခေါ်သော နည်းလမ်းကို အသုံးပြုပါမည်။

စံသတ်မှတ်ရေးနည်းလမ်းသည် ဤဖော်မြူလာကို အသုံးပြုသည်-

z = (x - u) / s

zတန်ဖိုးအသစ်က ဘယ်မှာလဲ x၊ မူရင်းတန်ဖိုးက uပျမ်းမျှနဲ့ sစံသွေဖည်မှုပါ။

အထက်ဖော်ပြပါ ဒေတာအတွဲမှ အလေးချိန် ကော်လံ ကို ယူပါက ၊ ပထမတန်ဖိုးသည် 790 ဖြစ်ပြီး အတိုင်းအတာတန်ဖိုးမှာ-

အထက်ဖော်ပြပါ ဒေတာအတွဲမှ ထုထည် ကော်လံ ကို ယူပါက ၊ ပထမတန်ဖိုးသည် 1.0 ဖြစ်ပြီး အတိုင်းအတာတန်ဖိုးမှာ-

(1.0 - ) / = -1.59

ယခု သင်သည် -2.1 နှင့် 790 ကို 1.0 နှိုင်းယှဉ်မည့်အစား -1.59 နှင့် နှိုင်းယှဉ်နိုင်ပါပြီ။

၎င်းကို သင်ကိုယ်တိုင်လုပ်ဆောင်ရန် မလိုအပ်ပါ၊ Python sklearn module တွင် StandardScaler() ဒေတာအတွဲများကို အသွင်ပြောင်းသည့်နည်းလမ်းများဖြင့် Scaler အရာဝတ္ထုကို ပြန်ပေးသည့် နည်းလမ်းတစ်ခုရှိသည်။

[[-2.10389253 -1.59336644]
 [-0.55407235 -1.07190106]
 [-1.52166278 -1.59336644]
 [-1.78973979 -1.85409913]
 [-0.63784641 -0.28970299]
 [-1.52166278 -1.59336644]
 [-0.76769621 -0.55043568]
 [ 0.3046118  -0.28970299]
 [-0.7551301  -0.28970299]
 [-0.59595938 -0.0289703 ]
 [-1.30803892 -1.33263375]
 [-1.26615189 -0.81116837]
 [-0.7551301  -1.59336644]
 [-0.16871166 -0.0289703 ]
 [ 0.14125238 -0.0289703 ]
 [ 0.15800719 -0.0289703 ]
 [ 0.3046118  -0.0289703 ]
 [-0.05142797  1.53542584]
 [-0.72580918 -0.0289703 ]
 [ 0.14962979  1.01396046]
 [ 1.2219378  -0.0289703 ]
 [ 0.5685001   1.01396046]
 [ 0.3046118   1.27469315]
 [ 0.51404696 -0.0289703 ]
 [ 0.51404696  1.01396046]
 [ 0.72348212 -0.28970299]
 [ 0.8281997   1.01396046]
 [ 1.81254495  1.01396046]
 [ 0.96642691 -0.0289703 ]
 [ 1.72877089  1.01396046]
 [ 1.30990057  1.27469315]
 [ 1.90050772  1.01396046]
 [-0.23991961 -0.0289703 ]
 [ 0.40932938 -0.0289703 ]
 [ 0.47215993 -0.0289703 ]
 [ 0.4302729   2.31762392]]

CO2 တန်ဖိုးများကို ခန့်မှန်းပါ။

Multiple Regression အခန်း ရှိ တာဝန်မှာ ကားတစ်စီးမှ CO2 ထုတ်လွှတ်မှုကို ခန့်မှန်းရန်ဖြစ်ပြီး ၎င်း၏ အလေးချိန်နှင့် ထုထည်ကို သင်သိမှသာ သိနိုင်သည်။

ဒေတာအစုံကို စကေးချသောအခါ၊ တန်ဖိုးများကို ခန့်မှန်းသောအခါတွင် သင်သည် စကေးကို အသုံးပြုရပါမည်-

[107.2087328]