در این مطلب، ویدئو رگرسیون خطی ساده در متلب | یادگیری ماشینی | @MATLABHelper با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید. اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:02:58
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
01 =>05
کاربر گرامی به درس جدید خوش آمدید، در آخرین
ویدیو قسمت مقدماتی
2
05 =>10
رگرسیون خطی ساده را دیدیم، در این ویدیو
قصد داریم مدل رگرسیون خطی ساده را
3
10 =>20
در متلب پیاده سازی کنیم. پس بیایید شروع کنیم.
برای آنالیز،
4
20 =>26
آنالیز بافت چربی دور کمر را در نظر می گیریم. در زیر پنجره فضای کاری
من قبلاً مجموعه داده را وارد کرده ام، اکنون
5
26 =>35
اجازه دهید در مورد مجموعه داده بحث کنیم. مجموعه داده
دارای 2 ویژگی از 2 ویژگی است، کمر
6
35 =>40
ویژگی مستقل ما است و بافت چربی
ویژگی وابسته ما خواهد بود، بنابراین ما
7
40 =>46
مدلی خواهیم ساخت که بافت چربی را بر اساس کمر پیش بینی می کند
. در اینجا می توانید
8
46 =>52
مراحل کلی را که در حین انجام تحلیل رگرسیون دنبال می کنیم، مشاهده کنید
. به یاد داشته باشید که ما هیچ
9
52 =>57
مرحله پیش پردازشی را برای برچسب خروجی اعمال نمی کنیم.
در آخرین ویدئو، تکنیکهای
10
57 =>01:02
مختلف تقسیم دادهها را دیدهایم، برای این تجزیه و تحلیل
قرار نیست دادهها را تقسیم کنم، بنابراین
11
01:02 =>01:09
با در نظر گرفتن کل مجموعه داده، مدل را آموزش میدهم. حال اجازه دهید
رویکرد کدنویسی را در متلب ببینیم. برای سادگی در
12
01:09 =>01:15
نظر بگیرید که من تمام مراحل پیش پردازش را اعمال کرده ام
و می توانیم برای استفاده از
13
01:15 =>01:21
مدل یادگیری ماشین شروع کنیم. بخش اول کد
داده ها را به ویژگی ورودی و خروجی تقسیم می کند،
14
01:21 =>01:26
بنابراین در این مورد ویژگی کمری که می خواهم
در متغیر x و ویژگی بافت چربی
15
01:26 =>01:31
در متغیر y ذخیره کنم.
الگوریتمی که قرار است در
16
01:31 =>01:37
طول دوره استفاده کنیم فقط فرمت آرایه را می پذیرد و
تابع table2array فرمت جدولی مخفی
17
01:37 =>01:46
به قالب آرایه را می پذیرد، تابع Fitlm مدل ما را می سازد
. اگر مدل را زیر پنجره فرمان اجرا
18
01:46 =>01:50
کنم، می توانید تحلیل دقیق
مدل را ببینید. درست در اینجا می توانید
19
01:50 =>01:57
مقدار وقفه و شیب را ببینید. P-
value معنیدار مقادیر محاسبهشده را مشخص میکند، اگر مقدار p
20
01:57 =>02:04
کمتر از 0.05 باشد، میتوان نتیجه گرفت که
مقادیر محاسبهشده برای تجزیه و تحلیل معنادار هستند، همچنین
21
02:04 =>02:10
میتوان گفت که برای مقادیر محاسبهشده 95 درصد اطمینان داریم
. اکنون مدل ما آماده است و
22
02:10 =>02:16
به راحتی می توانیم مقادیر محاسبه شده را به
معادله خط برسانیم و می توانیم ورودی های جدید را پیش بینی کنیم.
23
02:16 =>02:22
مقدار مربع R دقت مدل را به دست داده است.
فقط مقدار r را در 100 ضرب کنید تا دقت را بر حسب
24
02:22 =>02:28
درصد بدست آورید. مربع R
و مجذور تنظیم شده r هر دو نشان دهنده
25
02:28 =>02:35
دقت مدل هستند، اما r مربع تنظیم شده
مشکل هم خطی را در نظر می گیرد به همین دلیل
26
02:35 =>02:39
دقیق تر است. همه اینها در مورد
مدل سازی رگرسیون خطی ساده در ویدیوی بعدی است که
27
02:39 =>02:43
می خواهیم تحلیل رگرسیون خطی چندگانه را شروع کنیم
.
28
02:43 =>02:47
از اینکه این ویدیو را تماشا کردید از شما
متشکریم اگر سوالی
29
02:47 =>02:50
داشتید آن را در نظرات
مطرح کنید و با ما تماس بگیرید ما را در لینکدین
30
02:50 =>02:55
فیس بوک دنبال کنید و در کانال یوتیوب ما مشترک شوید.
آموزش آینده ماست MATLAB ویژگی ماست.
31
02:55 =>02:56
متلبینگ مبارک!