Pencocokan Kuadrat Terkecil

Termasuk bagian Statistik untuk ML dalam perjalanan Machine Learning di Coddy. Pelajaran 36 dari 64.

Menerka garis bisa berlangsung tanpa akhir. np.polyfit(x, y, 1) langsung menemukan garis terbaik: garis dengan jumlah kuadrat residual terkecil. Berikut kedalaman salju saat badai:

hours = np.array([1, 2, 3, 5, 6])
depth = np.array([14, 22, 35, 52, 61])
slope, intercept = np.polyfit(hours, depth, 1)
print(np.round(slope, 2), np.round(intercept, 2))

Ini mencetak 9.5 4.5: sekitar 9.5 cm lebih banyak salju per jam, dan 4.5 cm pada jam ke-0. Tidak ada garis lain yang selisihnya lebih kecil:

Kedalaman salju terhadap jam sebagai lima titik, dengan tiga garis: dua tebakan putus-putus dengan jumlah kuadrat residual 159 dan 18, serta garis polyfit tebal dengan 6.5

1 meminta garis lurus, dan x ditulis terlebih dahulu. Ini adalah regresi linear, model pertama yang kamu latih di bagian 3.

Tantangan

Sedang

Produsen drone ingin mengetahui pengukuran mana yang paling baik memprediksi waktu terbang. drones.csv berisi 15 penerbangan: payload_g, wind_kmh, dan flight_min. Kode awal memuatnya dan mendefinisikan ssr(x, y, slope, intercept).

Untuk setiap kolom dalam columns, sesuaikan garis yang memprediksi flight_min berdasarkan kolom tersebut.
Cetak persamaan dan SSR seperti di bawah: slope dengan 3 angka desimal, intercept dan SSR dengan 2 angka desimal.
Cetak kolom dengan SSR yang lebih kecil.

Untuk drone lain:

payload_g: flight_min = -0.001 * payload_g + 21.55, SSR 164.94
wind_kmh: flight_min = -0.481 * wind_kmh + 28.13, SSR 9.1
Better predictor: wind_kmh

Coba sendiri

import numpy as np
import pandas as pd


# Mengembalikan jumlah kuadrat residual dari garis slope * x + intercept (pelajaran 35)
def ssr(x, y, slope, intercept):
    return ((y - (slope * x + intercept)) ** 2).sum()


drones = pd.read_csv("drones.csv")
columns = ["payload_g", "wind_kmh"]

# Tulis kodemu di bawah ini

Uji dirimu

Pelajaran ini berisi kuis singkat. Mulai pelajarannya untuk menjawab kuis dan melacak progresmu.

Semua pelajaran di Statistik untuk ML

Latihan sendiri: Compiler Python online