Vous serez ingénieur dans 100 jours ――Jour 81 ――Programmation ――À propos de l'apprentissage automatique 6

Cliquez ici jusqu'à hier

Cette fois, c'est une continuation de l'histoire de l'apprentissage automatique.

À propos du modèle de régression

Je vais vous expliquer ce que vous pouvez faire avec l'apprentissage automatique pour la première fois, mais ce que vous pouvez faire avec l'apprentissage automatique Il y en a essentiellement trois.

· Revenir · Classification ・ Regroupement

En gros, cela devient «prédiction», mais la partie de ce qu'il faut «prédire» change.

・ Retour: prédire les valeurs numériques ・ Classification: Catégories de prédiction ・ Clustering: faites-vous sentir bien

Le modèle de retour va prédire la valeur numérique.

Les données utilisées cette fois sont les données sur les prix des logements à Boston attachées à «scikit-learn».

colonne	La description
CRIM	Taux de criminalité par habitant par ville
ZN	Le ratio des terrains résidentiels est de 25,Colis de plus de 000 pieds carrés
INDUS	Pourcentage d'acres non marchandes par ville
CHAS	Variable fictive de la rivière Charlie (1 si à la limite de la rivière, 0 sinon)
NOX	Concentration de monoxyde d'azote (1 sur 10 millions)
RM	Nombre moyen de pièces par logement
AGE	Ratio d'âge des unités possédées et occupées construites avant 1940
DIS	Distance pondérée jusqu'à 5 centres d'emploi de Boston
RAD	Indicateur d'accessibilité à l'autoroute radiale
TAX	10,Taux d'imposition complet par 000 $
PTRATIO	Ratio élèves-enseignant
B	Pourcentage de Noirs en ville
LSTAT	Faible taux par habitant
MEDV	Logement propriétaire-résident médian à 1000 $

Le «MEDV» est la «variable objectif» que vous voulez prédire, et les autres sont les «variables explicatives».

Visualisation de données

Voyons d'abord de quel type de données il s'agit.

from sklearn.datasets import load_boston

#Lire les données
boston = load_boston()
#Créer un bloc de données
boston_df = pd.DataFrame(data=boston.data,columns=boston.feature_names)
boston_df['MEDV'] = boston.target

#Aperçu des données
print(boston_df.shape)
boston_df.head()

	CRIM	ZN	INDUS	NOX	RM	AGE	DIS	RAD	TAX	PTRATIO	B	LSTAT	MEDV
0	0.00632	18	2.31	0.538	6.575	65.2	4.09	1	296	15.3	396.9	4.98	24
1	0.02731	0	7.07	0.469	6.421	78.9	4.9671	2	242	17.8	396.9	9.14	21.6
2	0.02729	0	7.07	0.469	7.185	61.1	4.9671	2	242	17.8	392.83	4.03	34.7
3	0.03237	0	2.18	0.458	6.998	45.8	6.0622	3	222	18.7	394.63	2.94	33.4
4	0.06905	0	2.18	0.458	7.147	54.2	6.0622	3	222	18.7	396.9	5.33	36.2

Il contient des données numériques.

Visualisons-le pour voir la relation entre chaque colonne.

sns.pairplot(data=boston_df[list(boston_df.columns[0:6])+['MEDV']])
plt.show()

sns.pairplot(data=boston_df[list(boston_df.columns[6:13])+['MEDV']])
plt.show()

Regardons également la corrélation de chaque colonne.

boston_df.corr()

	CRIM	ZN	INDUS	CHAS	NOX	RM	AGE	DIS	RAD	TAX	PTRATIO	B	LSTAT	MEDV
CRIM	1	-0.200469	0.406583	-0.055892	0.420972	-0.219247	0.352734	-0.37967	0.625505	0.582764	0.289946	-0.385064	0.455621	-0.388305
ZN	-0.200469	1	-0.533828	-0.042697	-0.516604	0.311991	-0.569537	0.664408	-0.311948	-0.314563	-0.391679	0.17552	-0.412995	0.360445
INDUS	0.406583	-0.533828	1	0.062938	0.763651	-0.391676	0.644779	-0.708027	0.595129	0.72076	0.383248	-0.356977	0.6038	-0.483725
CHAS	-0.055892	-0.042697	0.062938	1	0.091203	0.091251	0.086518	-0.099176	-0.007368	-0.035587	-0.121515	0.048788	-0.053929	0.17526
NOX	0.420972	-0.516604	0.763651	0.091203	1	-0.302188	0.73147	-0.76923	0.611441	0.668023	0.188933	-0.380051	0.590879	-0.427321
RM	-0.219247	0.311991	-0.391676	0.091251	-0.302188	1	-0.240265	0.205246	-0.209847	-0.292048	-0.355501	0.128069	-0.613808	0.69536
AGE	0.352734	-0.569537	0.644779	0.086518	0.73147	-0.240265	1	-0.747881	0.456022	0.506456	0.261515	-0.273534	0.602339	-0.376955
DIS	-0.37967	0.664408	-0.708027	-0.099176	-0.76923	0.205246	-0.747881	1	-0.494588	-0.534432	-0.232471	0.291512	-0.496996	0.249929
RAD	0.625505	-0.311948	0.595129	-0.007368	0.611441	-0.209847	0.456022	-0.494588	1	0.910228	0.464741	-0.444413	0.488676	-0.381626
TAX	0.582764	-0.314563	0.72076	-0.035587	0.668023	-0.292048	0.506456	-0.534432	0.910228	1	0.460853	-0.441808	0.543993	-0.468536
PTRATIO	0.289946	-0.391679	0.383248	-0.121515	0.188933	-0.355501	0.261515	-0.232471	0.464741	0.460853	1	-0.177383	0.374044	-0.507787
B	-0.385064	0.17552	-0.356977	0.048788	-0.380051	0.128069	-0.273534	0.291512	-0.444413	-0.441808	-0.177383	1	-0.366087	0.333461
LSTAT	0.455621	-0.412995	0.6038	-0.053929	0.590879	-0.613808	0.602339	-0.496996	0.488676	0.543993	0.374044	-0.366087	1	-0.737663
MEDV	-0.388305	0.360445	-0.483725	0.17526	-0.427321	0.69536	-0.376955	0.249929	-0.381626	-0.468536	-0.507787	0.333461	-0.737663	1

À l'exception de certaines colonnes, la corrélation entre chaque colonne ne semble pas si élevée.

Le «modèle de retour» veut s'appuyer sur la valeur d'une «variable objectif» en utilisant ces colonnes.

Créer un modèle prédictif

** Répartition des données **

Commencez par diviser les données pour la formation et les tests. Cette fois, nous nous séparerons à 6: 4.

from sklearn.model_selection import train_test_split

#6 pour les données d'entraînement et de test:Divisé par 4
X = boston_df.drop('MEDV',axis=1)
Y = boston_df['MEDV']
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.4, random_state=0)

** La modélisation ** Ensuite, créez un modèle de prédiction.

Ici, nous allons construire un modèle de régression en utilisant le «modèle de régression linéaire» avec la variable objective «MEDV» et les variables explicatives «CRIM ~ LSTAT».

En gros, Y = x1 * a + x2 * b + ... ϵ C'est une image de faire une expression comme ça.

«A» et «b» sont appelés «coefficient de retour», et chaque variable est Il montre à quel point il contribue à la prédiction de la variable objective.

«ϵ» est appelé «résiduel» et représente la «déviation» de chaque donnée et expression. Dans le "modèle de régression linéaire", la somme des "carrés résiduels" de chaque donnée est ajoutée. Trouvez chaque coefficient en le minimisant.

La bibliothèque utilisée s'appelle linear_model.

from sklearn import linear_model

#Apprentissage avec régression linéaire
model = linear_model.LinearRegression()
model.fit(x_train, y_train)

La modélisation se fait immédiatement en appelant la bibliothèque et en faisant fit.

** Vérification de l'exactitude **

Dans la vérification de l'exactitude du modèle de régression, nous examinerons dans quelle mesure la prédiction et la mesure réelle sont différentes.

En tant qu'index couramment utilisé erreur quadratique nean (MSE) et Erreur quadratique moyenne (RMSE) Il y a une «valeur carrée R» $ R ^ 2 $.

Le `MSE est la valeur moyenne de la somme des carrés des erreurs, et si les données d'apprentissage et les données de test sont petites, les performances du modèle sont jugées bonnes.

«RMSE» est la valeur de la racine carrée de la somme moyenne des carrés de l'erreur.

La valeur du carré R $ R ^ 2 $ prend 1 lorsque MSE est égal à 0, et meilleures sont les performances du modèle, plus elles sont proches de 1.

from sklearn.metrics import mean_squared_error

y_pred = model.predict(x_test)

print('MSE : {0} '.format(mean_squared_error(y_test, y_pred)))
print('RMSE : {0} '.format(np.sqrt(mean_squared_error(y_test, y_pred))))
print('R^2 : {0}'.format(model.score(x_test, y_test)))

MSE : 25.79036215070245 RMSE : 5.078421226198399 R^2 : 0.6882607142538019

En passant, en regardant la précision, la valeur de «RMSE» est décalée d'environ 5,0. En moyenne, c'est une erreur si différente du prix du logement.

** Graphique résiduel **

Au fait, dans quelle mesure le modèle de prédiction a-t-il dévié? Visualisons le résiduel.

#Tracer les résidus
plt.scatter(y_pred, y_pred - y_test, c = 'red', marker = 's')
plt.xlabel('Predicted Values')
plt.ylabel('Residuals')

# y =Tracez une ligne droite vers 0
plt.hlines(y = 0, xmin = -10, xmax = 50, lw = 2, color = 'blue')
plt.xlim([10, 50])
plt.show()

En combinant les données de test et les données de prédiction, vous pouvez voir l'ampleur de l'écart. Ceux qui ne sont pas alignés le sont tout à fait.

Avec ce type de ressenti, créez un modèle pour qu'il y ait moins d'écart, sélectionnez des données, prétraitez, ajustez les valeurs des paramètres du modèle, etc. Nous visons à améliorer la précision avec peu d'erreurs.

Résumé

Aujourd'hui, j'ai expliqué le fonctionnement du modèle de régression. Il existe de nombreux autres modèles de régression.

Tout d'abord, commençons par ce qu'est la régression et supprimons comment modéliser et vérifier.

19 jours jusqu'à ce que vous deveniez ingénieur

Informations sur l'auteur

HP d'Otsu py: http://www.otupy.net/

Youtube： https://www.youtube.com/channel/UCaT7xpeq8n1G_HcJKKSOXMw

Twitter： https://twitter.com/otupython