Uydurma Ne Kadar İyi?

Coddy'nin Machine Learning Journey'sinin Makine Öğrenimi için İstatistik bölümünün bir parçası. Ders 39 / 64.

Her bulutun bir doğrusu vardır, bu yüzden uyumları değerlendirmek gerekir. Bir denizci rüzgâr ve tekne hızlarını kaydetti: doğrunun kareli hatalarını ortalamayla, en tembel tahminle karşılaştırın:

Rüzgâr hızına karşı tekne hızını gösteren altı noktalı iki grafik. Solda: noktalarla arasında uzun kırmızı boşluklar olan ortalama düzeyinde yatay bir doğru; kareli hatalar 16.23. Sağda: küçük kırmızı boşlukları olan uyum doğrusu; kareli hatalar 0.35

R kare, doğrunun açıkladığı bu yayılımın payıdır:

wind = np.array([6, 8, 10, 12, 15, 18])
boat = np.array([3.1, 4.4, 4.9, 6.2, 6.8, 8.1])
slope, intercept = np.polyfit(wind, boat, 1)
predicted = slope * wind + intercept
ss_res = ((boat - predicted) ** 2).sum()  # uyum: 0.35
ss_tot = ((boat - boat.mean()) ** 2).sum()  # ortalama: 16.23
print(np.round(1 - ss_res / ss_tot, 3))

Bu, 0.979 değerini yazdırır: doğru, hızdaki değişkenliğin %98'ini açıklar. 1 kusursuz bir doğruyu, 0 ise ortalamadan daha iyi olmadığını ifade eder.

Sayıları tahmin eden bir modelin standart değerlendirme ölçütüdür. Uydurulmuş bir doğru için r kareye eşittir.

Görev

Orta

Bir mantar çiftliği, mushrooms.csv dosyasında 16 yetiştirme yatağını kaydetti. Program bir sütun adı okur ve başlangıç kodu, bu sütundan harvest_kg değerini tahmin eden doğruya uyar. Raporunda r_squared gerekiyor; bu değer henüz boş.

r_squared(y, predicted) işlevini, R kare değerini döndürecek şekilde tamamla.
En sonda kontrol değerini yazdır: x ile y arasındaki korelasyonun karesini al, 100 ile çarp ve 1 ondalık basamağa yuvarla.

Başka bir çiftlik için ve humidity girdisiyle:

humidity explains 27.0% of the harvest variation
Check with r squared: 27.0%

Kendin dene

import numpy as np
import pandas as pd


# y için tahminlerin R kare değerini döndürür
def r_squared(y, predicted):
    # Kodunuzu buraya yazın
    return 0


beds = pd.read_csv("mushrooms.csv")
column = input()
# Aşağıdaki satırları değiştirmeyin
x = beds[column]
y = beds["harvest_kg"]
slope, intercept = np.polyfit(x, y, 1)
predicted = slope * x + intercept
r2 = r_squared(y, predicted)
print(f"{column} explains {np.round(r2 * 100, 1)}% of the harvest variation")

# Kodunuzu aşağıya yazın