En Küçük Kareler Uydurması

Coddy'nin Machine Learning Journey'sinin Makine Öğrenimi için İstatistik bölümünün bir parçası. Ders 36 / 64.

Çizgileri tahmin etmek sonsuza kadar sürebilir. np.polyfit(x, y, 1) en iyisini tek seferde bulur: kareleri alınmış artıkların toplamı en küçük olan çizgiyi. İşte bir fırtınadaki kar derinliği:

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))

Bu, 9.5 4.5 çıktısını verir: saatte yaklaşık 9.5 cm daha fazla kar ve 0. saatte 4.5 cm. Başka hiçbir çizginin hatası bundan daha az değildir:

Saatlere göre kar derinliği: beş nokta ve üç çizgi; kare artıklar toplamı 159 ve 18 olan iki kesikli tahmin ile 6.5 değerindeki kalın polyfit çizgisi

1 düz bir çizgi ister ve önce x gelir. Bu, 3. bölümde eğiteceğin ilk model olan doğrusal regresyondur.

Görev

Orta

Bir drone üreticisi, uçuş süresini en iyi hangi ölçümün tahmin ettiğini öğrenmek istiyor. drones.csv dosyasında 15 uçuşun verileri bulunuyor: payload_g, wind_kmh ve flight_min. Başlangıç kodu bu dosyayı yükler ve ssr(x, y, slope, intercept) işlevini tanımlar.

columns içindeki her sütun için, o sütundan flight_min değerini tahmin eden doğruyu uydur.
Denklemini ve SSR değerini aşağıdaki gibi yazdır: eğim 3 ondalık basamakla, kesişim ve SSR 2 ondalık basamakla.
SSR değeri daha küçük olan sütunu yazdır.

Başka bir drone için:

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

Kendin dene

import numpy as np
import pandas as pd


# slope * x + intercept doğrusunun artıklarının kareleri toplamını döndürür (ders 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"]

# Kodunuzu aşağıya yazın