В следующем примере я рассмотрел самые высокие оценки JEE, полученные лидером моего коучингового института JEE для разных групп волшебников, и я хочу спрогнозировать самый высокий балл для следующей партии, если та же модель обучения сохранится. >

Если я построю графики между количеством учеников-волшебников и соответствующим наивысшим баллом, я получу почти такую ​​​​прямую кривую. Однако, если мне нужно спрогнозировать наивысший балл для следующей партии, как мне это сделать? Как продлить линию? Потому что есть разные способы продлить возможную прямую линию, как показано ниже. Какой из них мне выбрать?

В обоих случаях мы можем определить MSE, а линия регрессии с наименьшим MSE является наиболее точной и отражает соответствие данных модели.

Я поделился скриншотами кода для примера, описанного выше.

  • Импортируйте необходимые библиотеки
  • Самый важный из них — импортировать linear_model из библиотеки sklearn.
  • Считайте данные из файла csv и распечатайте их (я создал файл csv с двумя столбцами: количество студентов-мастеров и наивысшие оценки, полученные для этой группы)

  • Нарисуйте диаграмму рассеяния для импортированных данных и наблюдайте за закономерностью. Вы видите почти прямую линию, но отклоняющуюся от стандартной прямой.

  • Теперь нам нужно спрогнозировать наивысший балл для группы, состоящей из 2024 студентов-волшебников.
  • Создайте новый набор данных только с самыми высокими оценками.
  • Создайте модель линейной регрессии, используя linear_model из sklearn
  • Сопоставьте модель с данными обучения — фрейм данных учеников мастера и фрейм данных меток.
  • Предскажите оценки набора студентов-волшебников в 2024 году.

  • Как мы узнали выше, полученная прямая равна y = mx + c. Следовательно, давайте попробуем найти точку пересечения и коэффициент и вручную вычислить прогнозируемое значение, чтобы увидеть, соответствует ли оно прогнозируемому значению, указанному выше.

Надеюсь, это поможет понять основную концепцию модели линейной регрессии. В следующем блоге я расскажу о логистической регрессии. Пожалуйста, поделитесь своим отзывом. Это поможет мне соответствующим образом усовершенствовать мои блоги.