اذهب إلى المحتوى
  • 0

Polynomial Regression في Sklearn

Meezo ML

السؤال

Recommended Posts

  • 2

يمكنك استخدامه عبر الموديول:  preprocessing.PolynomialFeatures

وهو يستخدم مع التوقع الخطي لإعطاء البيانات الصفة اللاخطية، فكما تعلم أن الفرضية المستخدمة مع التوقع الخطي هي معادلة خط مستقيم من الشكل : y=wx+b وبالتالي معادلة مستقيم، وبالتالي في حال البيانات التي لها الشكل التالي لن تكون قادرة على ملاءمتها:


data.png.eea57322b80d119e68e8b7dec6868b9f.png

 

حيث سيكون شكل ال Regressor بعد التدريب كالتالي:
lenearEquation.png.25da1dabc002d5b2bd992a8b24374c4d.png

وبالتالي لملاءمة هكذا نوع من البيانات يجب أن تضيف لبياناتك الصفة اللاخطية وبالتالي تكون معادلة ال Regressor قادراة على ملائمة البيانات بالشكل المطلوب كالتالي:
PolyEquation.png.f307d00aca29296a16b47698b47b312f.png

أي يجب أن تكون معادلة ال Regressor كالتالي:
y=b+x1+x1^2+,,,,+x1^n
للقيام بذلك باستخدام Sklearn:

sklearn.preprocessing.PolynomialFeatures(degree=2, include_bias=True)

degree: درجة كثير الحدود المطلوبة.
include_bias: لتضمين الانحراف bias في العملية.
مثال:

import numpy as np
from sklearn.preprocessing import PolynomialFeatures
X = np.arange(4).reshape(2, 2) # تشكيل مصفوفة بقيم عشوائية
print(X)
'''
array([[0, 1],
       [2, 3]])
'''
poly = PolynomialFeatures(2)
print(poly.fit_transform(X)) #  للقيام بعملية التحويل نستدعي هذ التابع
'''
array([[1. 0. 1. 0. 0. 1.]
       [1. 2. 3. 4. 6. 9.]])
'''

 

تم التعديل في بواسطة Ali Haidar Ahmad
رابط هذا التعليق
شارك على الشبكات الإجتماعية

انضم إلى النقاش

يمكنك أن تنشر الآن وتسجل لاحقًا. إذا كان لديك حساب، فسجل الدخول الآن لتنشر باسم حسابك.

زائر
أجب على هذا السؤال...

×   لقد أضفت محتوى بخط أو تنسيق مختلف.   Restore formatting

  Only 75 emoji are allowed.

×   Your link has been automatically embedded.   Display as a link instead

×   جرى استعادة المحتوى السابق..   امسح المحرر

×   You cannot paste images directly. Upload or insert images from URL.

  • إعلانات

  • تابعنا على



×
×
  • أضف...