100일 학습기계 학습python 코드 계획 - DAy3: 다수치 선형 회귀 예측 모델
1267 단어 기계 학습
https://github.com/Avik-Jain/100-Days-Of-ML-Code
Day3: 다중 선형 회귀 예측 모델
학습 과제:
데이터 가져오기, 데이터 사전 처리(인코딩), 데이터 세트 분할
선형 회귀 모델을 구축하여 학습하고 예측하다
1. 데이터 처리
#imports library and read data
import pandas as pd
import numpy as np
# ,
data = pd.read_csv('G:/MachineLearningDailyStudy-100/100-Days-Of-ML-Code-master/datasets/50_Startups.csv')
x = data.iloc[:, :-1].values
y = data.iloc[:, 4].values
#
#data preprocessing
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder = LabelEncoder()
x[:, 3] = labelencoder.fit_transform(x[:, 3])
onehotencoder = OneHotEncoder(categorical_features=[3])
x = onehotencoder.fit_transform(x).toarray()
x = x[:, 1:]
#
#spliting the dataset into test_data and train_data
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=1/4, random_state=0)
2. 선형 회귀 모델 구축, 훈련 및 테스트
#
#make the linearregression
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(x_train, y_train)
#
#predict
y_pred = regressor.predict(x_test)
print(y_test)
print(y_pred)
이 내용에 흥미가 있습니까?
현재 기사가 여러분의 문제를 해결하지 못하는 경우 AI 엔진은 머신러닝 분석(스마트 모델이 방금 만들어져 부정확한 경우가 있을 수 있음)을 통해 가장 유사한 기사를 추천합니다:
형태소 분석은 데스크톱을 구성하는 데 도움이?문자×기계 학습에 흥미를 가져와 개인 범위의 용도를 생각해, 폴더 정리에 사용할 수 있을까 생각해 검토를 시작했습니다. 이번 검토에서는 폴더 구성 & text의 읽기 → mecab × wordcloud를 실시하고 있...
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
CC BY-SA 2.5, CC BY-SA 3.0 및 CC BY-SA 4.0에 따라 라이센스가 부여됩니다.