手動機械学習02
10478 ワード
02-モデルベースの学習例
🟤 簡単な機械学習モデルデータ準備(特性、目標:指導的学習) モデル(線形回帰) を選択モデルトレーニング(Fit Method呼び出し:Sicket-Run) 新しいデータの予測または推定 🟣 生活満足度データ予測モデルの符号化は以下の通りである.データ
:OECDの生活満足度データ
:IMFの一人当たりGDPデータ 🔹 コレクタコード
🟤 簡単な機械学習モデル
:OECDの生活満足度データ
:IMFの一人当たりGDPデータ
# 데이터 합치기
def prepare_country_stats(oecd_bli, gdp_per_capita):
oecd_bli = oecd_bli[oecd_bli["INEQUALITY"]=="TOT"]
oecd_bli = oecd_bli.pivot(index="Country", columns="Indicator", values="Value")
gdp_per_capita.rename(columns={"2015": "GDP per capita"}, inplace=True)
gdp_per_capita.set_index("Country", inplace=True)
full_country_stats = pd.merge(left=oecd_bli, right=gdp_per_capita,
left_index=True, right_index=True)
full_country_stats.sort_values(by="GDP per capita", inplace=True)
remove_indices = [0, 1, 6, 8, 33, 34, 35]
keep_indices = list(set(range(36)) - set(remove_indices))
return full_country_stats[["GDP per capita", 'Life satisfaction']].iloc[keep_indices]
# 라이브러리 생성
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import sklearn.linear_model
# 데이터 적재
oecd_bli = pd.read_csv(datapath + "oecd_bli_2015.csv", thousands=',')
gdp_per_capita = pd.read_csv(datapath + "gdp_per_capita.csv",thousands=',',delimiter='\t',
encoding='latin1', na_values="n/a")
# 데이터 준비
country_stats = prepare_country_stats(oecd_bli, gdp_per_capita)
X = np.c_[country_stats["GDP per capita"]]
y = np.c_[country_stats["Life satisfaction"]]
# 데이터 시각화
country_stats.plot(kind='scatter', x="GDP per capita", y='Life satisfaction')
plt.show()
# 선형 모델 선택
model = sklearn.linear_model.LinearRegression()
# 모델 훈련
model.fit(X, y)
# 키프로스에 대한 예측
X_new = [[22587]] # 키프로스 1인당 GDP
print(model.predict(X_new)) # 출력 [[ 5.96242338]]
# 선형회귀 결과
plt.scatter(X, y)
plt.scatter(22587, 5.96)
plt.show()
Reference
この問題について(手動機械学習02), 我々は、より多くの情報をここで見つけました https://velog.io/@dkddkkd55/핸즈온-머신러닝021テキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol