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

دروس بايثون

بايثون هوم مقدمة بايثون ابدأ بايثون بناء جملة بايثون تعليقات بايثون متغيرات بايثون
Python Variables Variable Names Assign Multiple Values Output Variables Global Variables Variable Exercises
أنواع بيانات بايثون أرقام بايثون صب بايثون سلاسل بايثون
Python Strings Slicing Strings Modify Strings Concatenate Strings Format Strings Escape Characters String Methods String Exercises
بايثون منطقية مشغلي بايثون قوائم بايثون
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
مجموعات بايثون
Python Sets Access Set Items Add Set Items Remove Set Items Loop Sets Join Sets Set Methods Set Exercises
قواميس بايثون
Python Dictionaries Access Items Change Items Add Items Remove Items Loop Dictionaries Copy Dictionaries Nested Dictionaries Dictionary Methods Dictionary Exercise
بيثون إذا ... آخر بايثون أثناء التكرار بايثون للحلقات وظائف بايثون بيثون لامدا صفائف بايثون فئات / كائنات بايثون وراثة بايثون تكرارات بايثون نطاق بايثون وحدات بايثون تواريخ بايثون الرياضيات بايثون Python JSON لغة Python RegEx Python PIP بايثون جرب ... ماعدا مدخلات مستخدم بايثون تنسيق سلسلة Python

التعامل مع الملف

التعامل مع ملف بايثون ملفات قراءة بايثون Python كتابة / إنشاء ملفات بايثون حذف الملفات

وحدات بايثون

برنامج NumPy التعليمي تجول الباندا البرنامج التعليمي Scipy

بيثون ماتبلوتليب

مقدمة ماتبلوتليب ابدأ Matplotlib Matplotlib Pyplot ماتبلوتليب بالتآمر علامات Matplotlib خط ماتبلوتليب تسميات Matplotlib شبكة Matplotlib المؤامرات الفرعية Matplotlib مبعثر Matplotlib قضبان ماتبلوتليب الرسوم البيانية Matplotlib المخططات الدائرية Matplotlib

التعلم الالي

ابدء يعني وضع متوسط الانحراف المعياري النسبة المئوية توزيع البيانات توزيع البيانات العادي مؤامرة مبعثر الانحدارالخطي الانحدار متعدد الحدود الانحدار المتعدد حجم تدريب / اختبار شجرة القرار

Python MySQL

ابدأ MySQL MySQL إنشاء قاعدة بيانات إنشاء جدول MySQL إدراج MySQL حدد MySQL MySQL أين ترتيب MySQL حسب حذف MySQL جدول إسقاط MySQL تحديث MySQL حد MySQL انضم إلى MySQL

Python MongoDB

ابدأ MongoDB MongoDB إنشاء قاعدة بيانات MongoDB إنشاء مجموعة إدراج MongoDB البحث عن MongoDB استعلام MongoDB نوع MongoDB MongoDB يحذف مجموعة MongoDB Drop تحديث MongoDB حد MongoDB

مرجع بايثون

نظرة عامة على بايثون وظائف بايثون المضمنة طرق سلسلة بايثون طرق قائمة بايثون طرق قاموس بايثون طرق Python Tuple طرق تعيين بايثون طرق ملف بايثون كلمات بايثون استثناءات بايثون مسرد بايثون

مرجع الوحدة

وحدة عشوائية وحدة الطلبات وحدة الإحصاء وحدة الرياضيات وحدة cMath

كيف بايثون

إزالة قائمة التكرارات عكس سلسلة أضف عددين

أمثلة بايثون

أمثلة بايثون مترجم بايثون تمارين بايثون مسابقة بايثون شهادة بايثون

التعلم الآلي - الانحدار المتعدد

❮ سابق التالي ❯

الانحدار المتعدد

الانحدار المتعدد يشبه الانحدار الخطي ، ولكن مع أكثر من قيمة مستقلة ، مما يعني أننا نحاول التنبؤ بقيمة بناءً على متغيرين أو أكثر .

ألق نظرة على مجموعة البيانات أدناه ، فهي تحتوي على بعض المعلومات حول السيارات.

السيارات نموذج الصوت وزن ثاني أكسيد الكربون
تويوتا Aygo 1000 790 99
ميتسوبيشي نجمة الفضاء 1200 1160 95
سكودا سيتيجو 1000 929 95
فيات 500 900 865 90
ميني كوبر 1500 1140 105
فولكس فاجن فوق! 1000 929 105
سكودا فابيا 1400 1109 90
مرسيدس صف 1500 1365 92
معقل العيد 1500 1112 98
أودي أ 1 1600 1150 99
هيونداي أنا 20 1100 980 99
سوزوكي سويفت 1300 990 101
معقل العيد 1000 1112 99
هوندا سيفيك 1600 1252 94
هيونداي I30 1600 1326 97
أوبل أسترا 1600 1330 97
بي ام دبليو 1 1600 1365 99
مازدا 3 2200 1280 104
سكودا سريعون 1600 1119 104
معقل ركز 2000 1328 105
معقل مونديو 1600 1584 94
أوبل شارة 2000 1428 99
مرسيدس الفئة- C 2100 1365 99
سكودا اوكتافيا 1600 1415 99
فولفو S60 2000 1415 99
مرسيدس CLA 1500 1465 102
أودي A4 2000 1490 104
أودي أ 6 2000 1725 114
فولفو V70 1600 1523 109
بي ام دبليو 5 2000 1705 114
مرسيدس الفئة- E 2100 1605 115
فولفو اكس سي 70 2000 1746 117
معقل بي ماكس 1600 1235 104
بي ام دبليو 2 1600 1390 108
أوبل زافيرا 1600 1405 109
مرسيدس SLK 2500 1395 120

يمكننا التنبؤ بانبعاث ثاني أكسيد الكربون للسيارة بناءً على حجم المحرك ، ولكن مع الانحدار المتعدد يمكننا طرح المزيد من المتغيرات ، مثل وزن السيارة ، لجعل التنبؤ أكثر دقة.

كيف يعمل؟

في Python ، لدينا وحدات ستؤدي العمل نيابةً عنا. ابدأ باستيراد وحدة الباندا.

import pandas

تعرف على وحدة Pandas في برنامج Pandas التعليمي الخاص بنا .

تسمح لنا وحدة Pandas بقراءة ملفات csv وإرجاع كائن DataFrame.

الملف مخصص لأغراض الاختبار فقط ، يمكنك تنزيله من هنا: cars.csv

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

ثم قم بعمل قائمة بالقيم المستقلة واستدع هذا المتغير X.

ضع القيم التابعة في متغير يسمى y.

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

نصيحة: من الشائع تسمية قائمة القيم المستقلة بأحرف كبيرة X ، وقائمة القيم التابعة ذات الحالة الصغيرة y.

سنستخدم بعض الطرق من الوحدة النمطية sklearn ، لذلك سيتعين علينا استيراد هذه الوحدة أيضًا:

from sklearn import linear_model

من الوحدة النمطية sklearn سوف نستخدم LinearRegression()الطريقة لإنشاء كائن انحدار خطي.

يحتوي هذا الكائن على طريقة تسمى fit()تأخذ القيم المستقلة والتابعة كمعلمات وتعبئ كائن الانحدار بالبيانات التي تصف العلاقة:

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

الآن لدينا كائن انحدار جاهز للتنبؤ بقيم ثاني أكسيد الكربون بناءً على وزن السيارة وحجمها:

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

مثال

شاهد المثال الكامل في العمل:

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)

نتيجة:

[107.2087328]

لقد توقعنا أن سيارة بمحرك 1.3 لتر ، ووزنها 2300 كجم ، ستطلق حوالي 107 جرامًا من ثاني أكسيد الكربون لكل كيلومتر تقوده.

معامل في الرياضيات او درجة

المعامل هو العامل الذي يصف العلاقة مع متغير غير معروف.

مثال: إذا كان xمتغيرًا ، فعندئذ 2xيكون xمرتين. xهو المتغير غير المعروف ، والرقم 2هو المعامل.

في هذه الحالة ، يمكننا أن نطلب قيمة معامل الوزن مقابل ثاني أكسيد الكربون ، والحجم مقابل ثاني أكسيد الكربون. تخبرنا الإجابة (الإجابات) التي نحصل عليها بما سيحدث إذا قمنا بزيادة أو تقليل إحدى القيم المستقلة.

مثال

اطبع قيم معامل كائن الانحدار:

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_)

نتيجة:

[0.00755095 0.00780526]

وأوضح النتيجة

تمثل المصفوفة الناتجة قيم المعامل للوزن والحجم.

الوزن: 0.00755095
الحجم: 0.00780526

تخبرنا هذه القيم أنه إذا زاد الوزن بمقدار 1 كجم ، فإن انبعاثات ثاني أكسيد الكربون تزيد بمقدار 0.00755095 جم.

وإذا زاد حجم المحرك (الحجم) بمقدار 1 سم 3 ، فإن انبعاثات ثاني أكسيد الكربون تزيد بمقدار 0.00780526 جم.

أعتقد أن هذا تخمين عادل ، لكن دعنا نختبره!

لقد توقعنا بالفعل أنه إذا كانت سيارة بمحرك 1300 سم 3 تزن 2300 كجم ، فإن انبعاثات ثاني أكسيد الكربون ستكون حوالي 107 جرام.

ماذا لو زدنا الوزن بـ 1000 كجم؟

مثال

انسخ المثال السابق ، ولكن قم بتغيير الوزن من 2300 إلى 3300:

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)

نتيجة:

[114.75968007]

لقد توقعنا أن سيارة بمحرك 1.3 لتر ، ووزنها 3300 كجم ، ستطلق ما يقرب من 115 جرامًا من ثاني أكسيد الكربون لكل كيلومتر تقوده.

مما يدل على صحة المعامل 0.00755095:

107.2087328 + (1000 * 0.00755095) = 114.75968

❮ سابق التالي ❯