शुरू करेंमुफ़्त में शुरू करें

`statsmodels` के साथ Least-Squares

कई Python लाइब्रेरीज़ ऐसे सुविधाजनक, एब्स्ट्रैक्टेड इंटरफेस देती हैं जिनसे आपको हर बार मॉडल के optimization की मशीनरी को बहुत स्पष्ट रूप से संभालने की ज़रूरत नहीं पड़ती.

उदाहरण के तौर पर, इस अभ्यास में आप statsmodels लाइब्रेरी का उपयोग करेंगे ताकि least-squares optimization (RSS को न्यूनतम करना) के साथ मॉडल बनाने का एक अधिक high-level, generalized वर्कफ़्लो अपना सकें.

शुरू करने में मदद के लिए, हमने x_data, y_data = load_data() से डेटा प्री-लोड कर दिया है और उसे pandas DataFrame में कॉलम नाम x_column और y_column के साथ स्टोर किया है, इस तरह: df = pd.DataFrame(dict(x_column=x_data, y_column=y_data))

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Linear Modeling परिचय

पाठ्यक्रम देखें

अभ्यास निर्देश

  • formula="y_column ~ x_column" और data=df के साथ ols() मॉडल बनाइए, और फिर .fit() करके डेटा पर फिट कीजिए.
  • model_fit.predict() का उपयोग करके y_model मान लीजिए.
  • दी गई फ़ंक्शन plot_data_with_model() का इस्तेमाल कर y_data पर y_model को ओवर-प्लॉट कीजिए.
  • model_fit.params से मॉडल पैरामीटर a0 और a1 निकालिए.
  • compute_rss_and_plot_fit() का उपयोग कर पुष्टि कीजिए कि ये नतीजे numpy से इम्प्लीमेंट की गई विश्लेषणात्मक (analytic) फ़ॉर्मूलाओं के अनुरूप हैं.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Pass data and `formula` into ols(), use and `.fit()` the model to the data
model_fit = ols(____="y_column ~ x_column", ____=df).____()

# Use .predict(df) to get y_model values, then over-plot y_data with y_model
y_model = model_fit.____(df)
fig = plot_data_with_model(x_data, ____, ____)

# Extract the a0, a1 values from model_fit.params
a0 = model_fit.____['Intercept']
a1 = model_fit.____['x_column']

# Visually verify that these parameters a0, a1 give the minimum RSS
fig, rss = compute_rss_and_plot_fit(a0, a1)
कोड संपादित करें और चलाएँ