Polinomli regressiya algoritmi asosida model yaratish - Информатика и ИТ - Рефераты

Информация о документе

Цена	2000UZS
Размер	344.2KB
Покупки	0
Дата загрузки	07 Ноябрь 2026
Расширение	docx
Раздел	Рефераты
Предмет	Информатика и ИТ

Polinomli regressiya algoritmi asosida model yaratish

Купить

Mavzu: Polinomli regressiya algoritmi asosida model yaratish .
Mundareja:
Iqtisodiy obyektni shakllantirish .............................................................................................................. 1
Obyekt ustida ma’lumotlar tahlili ............................................................................................................ 2
Model ishlab chiqish uchun algoritmning tahlili amalga oshirish ............................................................. 5
Python dasturlash tilida modelni realizatsiya qilish ( Sklearn moduli ) .................................................... 6
Modelni baholaydi( MAE, RMSE, R-kvadrat) ............................................................................................ 8
Python dasturlash tili orqali natijalarni garafik tasvirini yaratish ( MatPlotlib moduli ) ............................ 8
Iqtisodiy obyektni shakllantirish
Birinchi qadamda biz iqtisodiy obyekt tanlab oldek buning uchun tibbiyotga
doir ma’lumotlarni o’zida jamlagan va quyidagi xususiyatlarga ega bo’lgan
obyektda ma’lumotlar to’plamini shakllantirdek:
Bizning obyektimizda 1337 ta satrdan iborat ma’lumotlar to’plamini shakllantirib
oldek.

Obyekt ustida ma’lumotlar tahlili
Bu qadamda bizning obyektimizdagi NaN qiymatlarni bartaraf etish,
xususiyatlarning korrelyatsion tahlili, normallashtirish, ma’lumotlar to’plamini test
va o’quv to’plamlariga bo’lish kabi amallarni bajarishimiz kerak bo’ladi. Buning
uchun Python dasturlash tilidagi Pandas modulidan foydalanamiz. Pandas - bu
ochiq manbali kutubxona bo'lib, u asosan aloqador yoki etiketli ma'lumotlar bilan
oson va intuitiv tarzda ishlash uchun yaratilgan. U turli xil ma'lumotlar tuzilmalari
va raqamli ma'lumotlar va vaqt seriyalarini manipulyatsiya qilish uchun
operatsiyalarni taqdim etadi. Bu kutubxona NumPy kutubxonasi ustiga qurilgan.
Pandas tez va u foydalanuvchilar uchun yuqori unumdorlikka ega. Dastlab bu
modulni ishchi muhitga o’rnatib olishimiz kerak bo’ladi. Buning uchun terminalga
quyidagi buyruqni yozamiz: pip install pandas
Biz esa google colabdan foydalanamiz, unda yangi loyiha yaratamiz, ma’lumotlar
to’plamimizni esa google diskka yuklab loyihada uni chaqirib olamiz:
import pandas as pd # pandas kutubxonasi import
qilindi
df = pd.read_excel ("./Zayniddin exsel.xlsx",
index_col= 0 ) # data yuklandi
df #data chop qilindi
natija:
Butun DataFrame bo’yicha ma’lumot olamiz.
Endi Nan qiymatlarni bartaraf etish malasini ko’rib chiqamiz. Pandas modulida
DataFrame bilan ishlash uchun mo’ljallangan isnull() funksiyasi mavjud bu har bir
qiymatni tekshiradi biz uni quyidagicha qo’llaymiz:

import pandas as pd # pandas kutubxonasi import
qilindi
df = pd.read_excel ("./Zayniddin
exsel.xlsx”, index_col= 0 ) # data yuklandi
df.isnull () .values. any () # data tekshirildi
df.isnull () .values. any ()
Bu kod mantiqiy qiymat qaytaradi(rost yoki yolg’on). Agar rost bo’lsa bo’sh
qiymat mavjud aks holda bo’sh qiymat yo’q bo’ladi.
Ma’lumotlar to’plamini normallashtirish: Raqamli xususiyatlarni umumiy
miqyosga keltirish uchun masshtablash, kattaroq kattalikdagi xususiyatlarni
modelda hukmronlik qilishiga yo‘l qo‘ymaydi. Ma’lumotlarni normallashtirish
usullariga quyidagilarni misol keltirishimiz mumkin: Masshtablash yoki Min-Max
Scaling. Masshtablash ma’lumotlarni 0-100 yoki 0-1 kabi ma’lum bir shkalaga
mos keladigan tarzda o‘zgartirishni anglatadi Buning uchun ko‘chmas mulk
ma’lumotlar to’plamidagi biror ustun qiymatlarining min( xmin ) va max( xmax )
qiymatlari topiladi. Keyin esa ustundagi har bir qiymat x quyidagi (1) formula
asosida hisoblab chiqiladi:xyangi = x− xmin
xmax − xmin
Bu bizga ma’lumotlar ustida ishlash davomida vaqt jihatdan yutishga imkon
beradigan usuldir. Bizning ma’lumotlar to’plamimizda bizga kerakli hamma
ma’lumotlar normallashtirilgan ko’rinishdadir.
Endi xususiyatlarning korrelyatsion tahlili amalga oshiramiz. Korrelyatsiya – bu
Datasetdagi xususiyatlar o’rtasidagi bir – biri bilan bog’liqlik darajasining
koeffitsyentidir.
import pandas as pd # pandas kutubxonasi import
qilindi
df = pd.read_excel ("./Zayniddin
exsel .xlsx" , index_col= 0 ) # data yuklandi
df.corr () #xususiyatlarning korrelyatsiyasi
natija:

Ko’rib turinibniki faqat raqam turidagi ma’lumotlar o’rtasidagi korrelyatsiya
tahlilini amalga oshirmoqda. Bizga Satr turidagi ma’lumotni tahlil qilish uchun
satrli ma’lumotni raqamli turga o’g’irishimiz kerak.
jinsi = { 'ayol' : 1 , 'erkak' : 2 }
df.jins = [jinsi[item] for item in df.jins ]
df
natija:
Endi Datasetdagi barcha ma’lumotlar raqamli turga o’tdi. Korrelyatsiya tahlilini
qayta o’tkazamiz:

Bu yerdan ko’rinishib turibdike To’lov uchun eng mos keluvchi xususiyatlar
chekuvchilar va yosh, jins kabi xususiyatlardir, ya’ni eng yosh oshani sari ko’p
to’lov qilishadi deb tushunish lozim.
Ma’lumotlarni ikki qismga bo’lamiz: testlash uchun va o’qitish uchun.
Ma’lumotlarni bo’lish bashorat qilinadigan xususiyat bo’yicha amalga oshiriladi:
from sklearn.model_selection import train_test_split
import numpy as np
train_set , test_set =
train_test_split ( df , test_size= 0.15 , random_state= 28 )
# o'quv ma'lumotlar to'plami
x_train = train_set.drop ( "maoshi" , axis= 1 ) .values
y_train = train_set [ "maoshi" ] .values
# test ma'lumotlar to'plami
x_test = test_set.drop ( "maoshi" , axis= 1 ) .values
y_test = test_set [ "maoshi" ] .values
Model ishlab chiqish uchun algoritmning tahlili amalga oshirish
Ko'p nomli regressiya – bog'liq va mustaqil o'zgaruvchi o'rtasidagi
munosabatni n-darajali ko'phad sifatida modellashtiruvchi regressiya algoritmi.
Polinom regressiya tenglamasi quyida keltirilgan:Y=a0+a1x1+a2x12+a3x13+… +anx1n Train data
(85%)Test data
(15%)

Polinom regressiyasida ishlatiladigan ma'lumotlar to'plami chiziqli bo'lmagan
xususiyatga ega. U murakkab va chiziqli bo'lmagan funktsiyalar va ma'lumotlar
to'plamlariga mos keladigan chiziqli regressiya modelidan foydalanadi.
Polinomli regressiyaga ehtiyoj:
MLda polinomli regressiyaga bo'lgan ehtiyojni quyidagi fikrlarda tushunish
mumkin: Agar chiziqli modelni chiziqli ma'lumotlar to'plamiga qo'llasak , u bizga
oddiy chiziqli regressiyada ko'rganimizdek yaxshi natija beradi, lekin agar biz
chiziqli bo'lmagan ma'lumotlar to'plamida bir xil modelni hech qanday
o'zgartirishlarsiz qo'llasak xato darajasi yuqori bo'ladi va aniqlik pasayadi.
Shunday qilib, ma'lumotlar nuqtalari chiziqli bo'lmagan tarzda joylashtirilgan
bunday holatlar uchun bizga Polinomial regressiya modeli kerak . Chiziqli
ma'lumotlar to'plami va chiziqli bo'lmagan ma'lumotlar to'plamining quyidagi
taqqoslash diagrammasi yordamida biz buni yaxshiroq tushunishimiz mumkin.
Yuqoridagi rasmda biz chiziqli bo'lmagan tarzda joylashtirilgan ma'lumotlar
to'plamini oldik. Shunday qilib, agar biz uni chiziqli model bilan qoplashga harakat
qilsak, u hech qanday ma'lumot nuqtasini deyarli qamrab olmasligini aniq
ko'rishimiz mumkin. Egri chiziq Polinomial modeldagi ma'lumotlar nuqtalarining
ko'pini qoplash uchun mos keladi.Demak, agar ma'lumotlar to'plami chiziqli
bo'lmagan tarzda joylashtirilgan bo'lsa, biz oddiy chiziqli regressiya o'rniga
Polinomli regressiya modelidan foydalanishimiz kerak.
Python dasturlash tilida modelni realizatsiya qilish ( Sklearn moduli )
Bu erda biz Python yordamida polinomial regressiyasini amalga oshiramiz.
Biz buni Polinomial regressiya modelini oddiy chiziqli regressiya modeli bilan
solishtirish orqali tushunamiz.

Polinomli regressiya uchun qadamlar:
Polinom regressiyasining asosiy bosqichlari quyida keltirilgan:
 Ma'lumotlarni oldindan qayta ishlash
 Chiziqli regressiya modelini yaratish va uni ma'lumotlar to'plamiga
 moslash
 Polinomial regressiya modelini yaratish va uni ma'lumotlar to'plamiga
 moslash
 Chiziqli regressiya va polinomial regressiya modeli uchun natijani
vizualizatsiya qilish.
 Natijani bashorat qilish
 import matplotlib.pyplot as plt
 from sklearn.linear_model import
LinearRegression
 %matplotlib inline

 x =
np.asanyarray ( df [[ "maoshi" ]] /df [ "maoshi" ] . max ()
)
 y =
np.asanyarray ( df [[ "sovrinlari" ]] /df [ "sovrinlari
" ] . max ())

 model = LinearRegression ()
 model.fit ( x , y )
 yhat = model.predict ( x )
 plt.figure ( figsize= ( 10 , 6 ))
 plt.plot ( x , y , 'ro' , label= "data" )
 plt.plot ( x , yhat , linewidth= 3.0 , label= "fit" )

 plt.show ()
Quyidagi kodlarni ishlatish natijasida quyidagi chizmaga ega bo ’ lamiz :
Bu kod natijasida chiziqli regressiya algoritmini realizatsiya qildek , ya ’ ni bizning
ma ’ lumotlar to ’ plamimiz orqali chiziqli regressiya modelini o ’ qitdek .

Modelni baholaydi( MAE, RMSE, R-kvadrat)
Endi chiziqli regressiya algoritmi uchun xatolikni baholaymiz:
Python dasturlash tili orqali natijalarni garafik tasvirini yaratish ( MatPlotlib
moduli )
Polinomial regressiya modelini yaratish:
from sklearn.preprocessing import PolynomialFeatures
p_features =
PolynomialFeatures ( degree= 3 , include_bias= False )
x_poly=p_features.fit_transform ( x )
model.fit ( x_poly , y )
yhat = model.predict ( x_poly )
plt.figure ( figsize= ( 10 , 6 ))
plt.plot ( x , y , 'ro' , label= "data" )
plt.plot ( x , yhat , linewidth= 4.0 , label= "fit" )
plt.show ()

Degree = 20:
from sklearn.preprocessing import PolynomialFeatures
p_features =
PolynomialFeatures ( degree= 20 , include_bias= False )
x_poly=p_features.fit_transform ( x )
model.fit ( x_poly , y )
yhat = model.predict ( x_poly )
plt.figure ( figsize= ( 10 , 6 ))
plt.plot ( x , y , 'ro' , label= "data" )
plt.plot ( x , yhat , linewidth= 4.0 , label= "fit" )
plt.show ()
tasviri:

Xulosa:
Xulosa qilib aytganda chiziqli regressiyaga qaraganda polinomial regressiya
qaysidir ma’lumotlar to’plami uchun eng oqilona yechim bo’la oladi.

Polinomli regressiya algoritmi asosida model yaratish

Купить

Похожие документы
3d-max dasturida obektlarni yaratish
Algoritm va ma’lumotlar strukturasi
3D-MAX dasturi haqida
3D Studio MAX dasturiga kirish. 3D Studio MAX dasturi haqida tushuncha
Adobe photoshop dasturida tasvirlarda ishlov berish,taqdimot yaratish