الانحدار على البيانات المشوشة
في درس سابق قمت بملاءمة خط لبيانات كانت خطا مثاليا (y = 2x) وظهر الخطأ عند الصفر. كان ذلك شعورا رائعا، لكنه كان نوعا من الخداع: البيانات الحقيقية ليست خطا نظيفا أبدا. المستشعرات تهتز، والسلوك البشري غير متوقع، والقياسات تقرب. النسخة الصادقة من regression هي ملاءمة خط عبر cloud من النقاط التي تتبع اتجاها تقريبا فقط، ثم الإبلاغ عن مدى بعدك عن الهدف. هذا الدرس يدور حول قراءة أرقام الخطأ تلك دون تردد.
إنشاء بيانات واقعية
نبدأ من علاقة حقيقية، y = 3x + 7، ثم نضيف gaussian noise -> اهتزازات عشوائية صغيرة مستمدة من منحنى جرس -> لذا لا توجد نقطة تقع بالضبط على الخط:
rng = np.random.RandomState(42)
x = np.linspace(0, 10, 200)
noise = rng.normal(0, 2.0, size=x.shape) # mean 0, spread 2.0
y = 3 * x + 7 + noise
X = x.reshape(-1, 1) # sklearn wants 2-D featuresتعني البذرة الثابتة أن الجميع يسحبون نفس الضجيج، لذا فإن الأرقام أدناه قابلة لإعادة الإنتاج والتحقق. لا يرى النموذج أبدا الميل الحقيقي 3 أو التقاطع 7؛ مهمته هي recoverها من النقاط المشوشة.
ملاءمة، وتنبؤ، وقياس بصدق
نفس الطقوس كالعادة، لكننا نقوم بالتقييم على مجموعة اختبار محجوزة:
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error, r2_score
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=0)
model = LinearRegression().fit(X_train, y_train)
preds = model.predict(X_test)
mae = mean_absolute_error(y_test, preds)
r2 = r2_score(y_test, preds)ماذا تعني الأرقام
- السطر المسترد.
model.coef_[0]يظهر بالقرب من 3 وmodel.intercept_بالقرب من 7. استخرج النموذج الاتجاه الحقيقي من تحت الضجيج، ولكن ليس بشكل مثالي: إنه قريب، وليس دقيقا. لم يعد - MAE صفراً. هنا تبلغ قيمته حوالي 1.8، مما يعني أن التنبؤ النموذجي يخطئ في القيمة الحقيقية بمقدار 1.8 تقريباً بوحدات
y. هذا ليس خطأ برمجياً. مع وجود ضجيج بنطاق 2.0 مدمج، فإن وقوع بعض الخطأ أمر لا مفر منه -> قيمة MAE موجبة هي التكلفة الحقيقية للبيانات الواقعية. قارن ذلك بالخط المثالي السابق، حيث كانت قيمة MAE تساوي 0 تقريباً حسب التصميم. تقع - R squared أسفل 1.. يقيس
r2_scoreنسبة التباين الذي يفسره النموذج: 1.0 يعني كمالا، و0 يعني أنه ليس أفضل من تخمين المتوسط. القيمة هنا حوالي 0.95 -> عالية، لوجود إشارة خطية قوية، ولكنها أقل من 1.0 تماما، لأن الضوضاء لا يمكن تفسيرها أبدا. إن تسجيل R squared بقيمة 1.0 بالضبط على بيانات حقيقية هو علامة خطر، وعادة ما يكون دليلا على أنك اختبرت البيانات على بيانات التدريب بالخطأ. - تخبرك البواقي ما إذا كان الخطأ عادلاً. والباقي هو
actual - predictedلنقطة واحدة. يجب أن يكون mean قريباً من 0: وهذا يعني أن النموذج لا يخطئ بشكل منهجي فوق أو تحت الهدف، بل يتشتت فوق وتحت الخط بالطريقة التي يجب أن يكون عليها الضجيج المتماثل. متوسط البواقي البعيد عن 0 يعني نموذجاً متحيزاً.
لذا فإن المخرج هنا هو مجموعة من الأرقام الحقيقية، وليس صفراً سحرياً. اضغط على Run لضبط الخط وطباعة slope المسترجع، وMAE، وR squared، وresidual mean.
قم ببناء بيانات مشوشة من y = 3x + 7 بالإضافة إلى ضجيج غاوسي (rng = np.random.RandomState(42), x = np.linspace(0, 10, 200), noise = rng.normal(0, 2.0, size=x.shape), X = x.reshape(-1, 1)). قم بالتقسيم باستخدام train_test_split(X, y, test_size=0.2, random_state=0)، وقم بملاءمة LinearRegression كـ model، وتنبأ على مجموعة الاختبار، ثم قم بتخزين mae (mean absolute error)، وr2 (r2_score)، وresid_mean (the mean of y_test - preds) كـ floats.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.