อัลกอริทึม Linear Regression

เพื่อให้เข้าใจ linear regression อย่างถ่องแท้ การรู้ว่าอัลกอริทึมทำงานอย่างไรจะช่วยได้มาก โค้ดของ ols() มีความยาวหลายร้อยบรรทัด เพราะต้องรองรับได้ทุกสูตรและทุกชุดข้อมูล อย่างไรก็ตาม สำหรับ simple linear regression บนชุดข้อมูลเดียว เราสามารถเขียนอัลกอริทึมนี้ได้ในโค้ดเพียงไม่กี่บรรทัด

ขั้นตอนการทำงานมีดังนี้:

ขั้นแรก เขียนฟังก์ชันเพื่อคำนวณ sum of squares โดยใช้ syntax ทั่วไปนี้:

def function_name(args):
  # some calculations with the args
  return outcome

ขั้นที่สอง ใช้ฟังก์ชัน minimize ของ scipy เพื่อหาค่าสัมประสิทธิ์ที่ทำให้ฟังก์ชันนี้มีค่าน้อยที่สุด

ค่าตัวแปรอธิบาย (คอลัมน์ n_convenience ของ taiwan_real_estate) พร้อมใช้งานในชื่อ x_actual ค่าตอบสนอง (คอลัมน์ price_twd_msq ของ taiwan_real_estate) พร้อมใช้งานในชื่อ y_actual

minimize() ถูกโหลดไว้แล้วเช่นกัน

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Regression ระดับกลางด้วย statsmodels ใน Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Complete the function
def calc_sum_of_squares(coeffs):
    # Unpack coeffs
    ____, ____ = ____
    # Calculate predicted y-values
    y_pred = ____ + ____ * ____
    # Calculate differences between y_pred and y_actual
    y_diff = ____ - ____
    # Calculate sum of squares
    sum_sq = ____
    # Return sum of squares
    return sum_sq
  
# Test the function with intercept 10 and slope 1
print(calc_sum_of_squares([10, 1]))

แก้ไขและรันโค้ด