در این مطلب، ویدئو پایتون برای یادگیری ماشین | خط بهترین برازش در رگرسیون خطی | تابع هزینه – P86 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.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:02,100
سلام به همه به جلسه 86
2
00:00:02,100 –> 00:00:03,600
پایتون برای یادگیری ماشین خوش آمدید در این
3
00:00:03,600 –> 00:00:05,250
جلسه نحوه به حداقل رساندن خطا در رگرسیون خطی را پیاده سازی خواهیم کرد،
4
00:00:05,250 –> 00:00:07,710
5
00:00:07,710 –> 00:00:10,380
بنابراین منظور ما از این چیست اول از همه
6
00:00:10,380 –> 00:00:13,380
این گسترش داده های من است و اگر
7
00:00:13,380 –> 00:00:16,470
دوست داریم بگوییم این است مال من مانند
8
00:00:16,470 –> 00:00:19,380
مدل خطی تعمیم یافته حالا وقتی این را می گوییم چگونه
9
00:00:19,380 –> 00:00:22,380
به دوست داشتن می رسیم همچنین می توانیم بگوییم
10
00:00:22,380 –> 00:00:25,859
که این خط می تواند مانند بهترین
11
00:00:25,859 –> 00:00:30,660
ضرب خطی یا این یا این یا این باشد
12
00:00:30,660 –> 00:00:34,020
بنابراین همه چیز در اینجا به مجموع مربعات باقیمانده بستگی دارد.
13
00:00:34,020 –> 00:00:37,200
مانند زمانی که می گوییم Y
14
00:00:37,200 –> 00:00:40,440
cap خوب است Y کلاه می کنیم در واقع چرا I برابر است
15
00:00:40,440 –> 00:00:43,860
با مقدار واقعی منهای مقدار پیش بینی شده، بنابراین
16
00:00:43,860 –> 00:00:46,500
ارزش واقعی است بنابراین همه چیز در اینجا
17
00:00:46,500 –> 00:00:49,200
به مجموع باقیمانده
18
00:00:49,200 –> 00:00:51,870
مربع باقیمانده گیرنده بستگی دارد، بنابراین چگونه انجام می
19
00:00:51,870 –> 00:00:53,969
دهیم چگونه این مجموع را بدست آوریم مربع
20
00:00:53,969 –> 00:00:56,129
باقیمانده می گوید که به این صورت است و
21
00:00:56,129 –> 00:00:59,280
ما مجموع تمام نقاطی که
22
00:00:59,280 –> 00:01:03,300
در اینجا از I وجود دارد برابر با 1 2 است و
23
00:01:03,300 –> 00:01:06,330
این مجذورات تمام
24
00:01:06,330 –> 00:01:09,780
مقدار واقعی Phi Y منهای مقدار پیش بینی شده است
25
00:01:09,780 –> 00:01:12,210
بنابراین در این حالت مانند مدل خطی w
26
00:01:12,210 –> 00:01:15,000
هر خطی که انجام خواهیم داد، برای هر خط،
27
00:01:15,000 –> 00:01:18,330
تمام خطوط ممکن را
28
00:01:18,330 –> 00:01:21,479
می گیریم که شبیه به این نقطه است، مانند
29
00:01:21,479 –> 00:01:24,630
مجموع مربعات باقیمانده های مشابه
30
00:01:24,630 –> 00:01:26,100
یا آنچه می توانیم بگوییم مسیر متفاوت
31
00:01:26,100 –> 00:01:27,509
در مقدار واقعی و مقدار پیش بینی شده
32
00:01:27,509 –> 00:01:30,689
را می گیریم. اگر فرض کنید این خط
33
00:01:30,689 –> 00:01:33,390
است این خط پیش بینی شده من است، این خط پیش بینی شده من است،
34
00:01:33,390 –> 00:01:36,090
بنابراین از هر
35
00:01:36,090 –> 00:01:38,850
نقطه مجموع این مربع ها را
36
00:01:38,850 –> 00:01:42,479
از این نقطه موجود واقعی می گیریم خوب است و
37
00:01:42,479 –> 00:01:44,579
مجموع مربع ها را پیدا می کنیم و سپس آن را
38
00:01:44,579 –> 00:01:47,280
جمع می کنیم و برای
39
00:01:47,280 –> 00:01:50,009
آستری که دارای حداقل است، می بینید که مجموع
40
00:01:50,009 –> 00:01:51,659
این مقدار که حداقل است
41
00:01:51,659 –> 00:01:54,030
به عنوان مقدار بهینه یا
42
00:01:54,030 –> 00:01:56,729
مدل تعمیم یافته در نظر گرفته می شود و این اینجا است
43
00:01:56,729 –> 00:02:01,200
مربع اکنون چگونه دوست
44
00:02:01,200 –> 00:02:03,119
داریم دریافت دستی بسیار سخت است یا چگونه می توانیم
45
00:02:03,119 –> 00:02:06,810
بنابراین معادله ما از Y I است
46
00:02:06,810 –> 00:02:12,180
فرض کنید Y برابر است با M از X من
47
00:02:12,180 –> 00:02:15,189
برای کاری که انجام خواهیم داد پس این برابر
48
00:02:15,189 –> 00:02:19,540
با خطای ما برابر است با جمع
49
00:02:19,540 –> 00:02:22,780
I برابر است با این پیش بینی من چیزی است که
50
00:02:22,780 –> 00:02:26,680
ما گرفته ایم y cap خوب پس چرا من –
51
00:02:26,680 –> 00:02:28,780
خاموش پس حالا ما چه می کنیم eed to do ما
52
00:02:28,780 –> 00:02:31,389
دو پارامتر در اینجا داریم m و C بنابراین کاری
53
00:02:31,389 –> 00:02:32,680
که باید انجام دهیم باید
54
00:02:32,680 –> 00:02:36,400
هر دو PE را با توجه به
55
00:02:36,400 –> 00:02:40,180
آن متمایز کنیم و به طور مشابه
56
00:02:40,180 –> 00:02:42,909
مجدداً با توجه به C و e توسط
57
00:02:42,909 –> 00:02:44,950
DC بار دوم متمایز خواهیم کرد. C
58
00:02:44,950 –> 00:02:47,760
چون دو پارامتر m NC داریم و
59
00:02:47,760 –> 00:02:50,260
گاهی به عنوان وزن این مدل خطی به آن اشاره می شود
60
00:02:50,260 –> 00:02:52,659
و
61
00:02:52,659 –> 00:02:55,030
این نیز برابر با صفر خواهد بود بنابراین اگر
62
00:02:55,030 –> 00:02:59,590
این قانون را اجرا کنیم اکنون e اگر
63
00:02:59,590 –> 00:03:03,819
این را با D M اجرا کنیم که برابر است.
64
00:03:03,819 –> 00:03:07,090
اگر آن را با توجه به آن متمایز کنیم و
65
00:03:07,090 –> 00:03:09,430
سپس دوباره انجام می شود، باید
66
00:03:09,430 –> 00:03:11,919
نمایش این مورد را انجام دهیم، این عبارت کامل است،
67
00:03:11,919 –> 00:03:17,079
بنابراین من این را برای
68
00:03:17,079 –> 00:03:18,909
متمایز کردن آن با توجه به C تقسیم می کنم،
69
00:03:18,909 –> 00:03:22,569
اکنون اگر این را برابر با صفر کنیم
70
00:03:22,569 –> 00:03:24,879
، باقی می مانند. با معادله من
71
00:03:24,879 –> 00:03:27,099
مشتق کامل را نشان نمی دهم اما مشتق جزئی را نشان می دهم
72
00:03:27,099 –> 00:03:29,620
و در صورت
73
00:03:29,620 –> 00:03:31,000
نیاز لطفاً در جلسات نظرات ارسال کنید
74
00:03:31,000 –> 00:03:33,280
بپرسید که من یک
75
00:03:33,280 –> 00:03:35,379
مشتق کامل از
76
00:03:35,379 –> 00:03:37,720
نحوه بدست آوردن مقدار حق را به طور مشابه پیدا
77
00:03:37,720 –> 00:03:40,599
کنم. از این معادله ما
78
00:03:40,599 –> 00:03:42,280
چاه را دریافت می کنیم، دو معادله دو متغیر MNC را دریافت می کنیم
79
00:03:42,280 –> 00:03:44,769
و سپس ما
80
00:03:44,769 –> 00:03:47,560
نیز به همین ترتیب این را متمایز می
81
00:03:47,560 –> 00:03:51,519
کنیم و بنابراین شما
82
00:03:51,519 –> 00:03:53,620
مقداری از زوایای MNC حمله دو
83
00:03:53,620 –> 00:03:55,419
معادله را برای بدست آوردن مقدار انرژی و دریافت خواهید کرد.
84
00:03:55,419 –> 00:03:58,060
پس از آن که ما در برنامه پایتون خود استفاده خواهیم
85
00:03:58,060 –> 00:04:01,989
کرد، بنابراین de توسط DC برابر است با
86
00:04:01,989 –> 00:04:10,239
جمع کردن، من برای سمت راست اول یکسان خواهم بود
87
00:04:10,239 –> 00:04:19,478
– تعریف این چیز
88
00:04:19,478 –> 00:04:21,430
کل این چیز با توجه به C
89
00:04:21,430 –> 00:04:24,039
منهای یک خواهد بود و سپس این معادل خواهد شد.
90
00:04:24,039 –> 00:04:24,900
91
00:04:24,900 –> 00:04:29,220
ببینید بنابراین این معادله با این معادله
92
00:04:29,220 –> 00:04:31,740
به شکل نه اولین
93
00:04:31,740 –> 00:04:35,100
معادله خواهد شد به شکل
94
00:04:35,100 –> 00:04:37,199
این معادله شماره 1 من است
95
00:04:37,199 –> 00:04:39,750
به طور مشابه معادله دیگر را
96
00:04:39,750 –> 00:04:41,699
حل می کنیم و معادله
97
00:04:41,699 –> 00:04:44,070
شماره 2 را برای این معادله می دهیم به طور مشابه
98
00:04:44,070 –> 00:04:45,990
معادله را حل خواهیم کرد. عدد 2 و اجازه دهید
99
00:04:45,990 –> 00:04:48,810
این معادله و ما
100
00:04:48,810 –> 00:04:51,620
معادله شماره 2 را به دست می آوریم و FN می شود
101
00:04:51,620 –> 00:04:57,960
که برابر است با جمع I برابر
102
00:04:57,960 –> 00:05:01,620
با 1 حالا باید این دو
103
00:05:01,620 –> 00:05:02,460
معادله را
104
00:05:02,460 –> 00:05:04,979
حل کنیم یک بار که حل کنیم یک بار این
105
00:05:04,979 –> 00:05:06,479
معادله را حل کنیم w
106
00:05:06,479 –> 00:05:09,510
شکلی شبیه به این را میتوانیم بگوییم و
107
00:05:09,510 –> 00:05:18,330
برابر خواهد بود با مقدار C به طور مشابه
108
00:05:18,330 –> 00:05:23,880
109
00:05:23,880 –> 00:05:26,880
110
00:05:26,880 –> 00:05:28,710
111
00:05:28,710 –> 00:05:45,960
توسط n می توانید از آن برای y + 4
112
00:05:45,960 –> 00:05:50,550
XY استفاده کنید – اکنون ساده بعد از آن چیزی است که ما نیاز داریم تا
113
00:05:50,550 –> 00:05:53,039
مقدار مانع وجود داشته باشد و سپس
114
00:05:53,039 –> 00:05:56,699
مقدار MMC به عنوان فوکوس باقی می ماند
115
00:05:56,699 –> 00:06:03,330
و برابر است با جمع Y I okay و
116
00:06:03,330 –> 00:06:05,729
سپس به طور مشابه می توانید بگویید ببینید آیا این
117
00:06:05,729 –> 00:06:09,900
امکان وجود دارد، بنابراین در نهایت اگر
118
00:06:09,900 –> 00:06:12,240
مقادیر M و C و
119
00:06:12,240 –> 00:06:14,880
نحوه استفاده از آن را در برنامه خود آموزش داده باشیم، به شما نشان خواهم داد که چگونه
120
00:06:14,880 –> 00:06:17,570
در برنامه پایتون ما از آن استفاده خواهید کرد، بنابراین در
121
00:06:17,570 –> 00:06:20,610
ارزیابی این، ابتدا چه کاری انجام داده ایم
122
00:06:20,610 –> 00:06:22,650
. به منظور به دست آوردن خطی
123
00:06:22,650 –> 00:06:24,449
که طول تعمیم یافته است، به این معنی که برای
124
00:06:24,449 –> 00:06:27,060
آن خط مجموع مجذور
125
00:06:27,060 –> 00:06:29,909
باقیمانده ها حداقل تمام
126
00:06:29,909 –> 00:06:33,150
خطوط موجود خواهد بود، همانطور که ما برای یک
127
00:06:33,150 –> 00:06:34,710
تنظیم خاص داریم و شما
128
00:06:34,710 –> 00:06:36,570
میلیون ها و میلیاردها خط بیرون خواهید داشت. از
129
00:06:36,570 –> 00:06:37,430
این
130
00:06:37,430 –> 00:06:40,940
عوضی خطی است که حداقل
131
00:06:40,940 –> 00:06:42,620
val را خواهد داشت ue برای رگ برای
132
00:06:42,620 –> 00:06:44,750
اینکه محاسبه کنیم که باید متمایز
133
00:06:44,750 –> 00:06:46,190
شویم، باید
134
00:06:46,190 –> 00:06:47,960
ابتدا نسبت به M
135
00:06:47,960 –> 00:06:50,480
و سپس با توجه به C اقدام به تمایز جزئی کنیم، یک بار که این کار را انجام
136
00:06:50,480 –> 00:06:52,550
دادیم و سپس اگر مجبور شدیم برای
137
00:06:52,550 –> 00:06:54,290
بدست آوردن حداقل مقدار اقدام کنیم. باید
138
00:06:54,290 –> 00:06:56,870
آن را با 0 برابر کنید، بنابراین برای این تمایز با
139
00:06:56,870 –> 00:06:58,580
توجه به یا خوب با استیک، می
140
00:06:58,580 –> 00:07:00,020
بینید که باید این کار را انجام دهیم که باید با شما یکسان کنیم
141
00:07:00,020 –> 00:07:02,780
و بعد از آن باید
142
00:07:02,780 –> 00:07:05,150
آنچه اتفاق افتاده را دوست داشته باشید،
143
00:07:05,150 –> 00:07:07,700
مقدار M و C را محاسبه می کنم و سپس بیشتر من
144
00:07:07,700 –> 00:07:10,760
نحوه استفاده از
145
00:07:10,760 –> 00:07:14,000
محصول نقطهای Vampir را برای نوشتن کد پایتون خود ساده کردهام،
146
00:07:14,000 –> 00:07:18,800
بنابراین اکنون چه خواهیم کرد، بنابراین
147
00:07:18,800 –> 00:07:22,400
این پایه پورت ما است و لطفاً توجه داشته باشید که
148
00:07:22,400 –> 00:07:25,000
در این برنامه من از
149
00:07:25,000 –> 00:07:29,150
مدل سطح بسته استفاده نمیکنم. رگرسیون خطی به
150
00:07:29,150 –> 00:07:31,790
این صورت خواهد بود که اگر
151
00:07:31,790 –> 00:07:34,430
کتابخانه مشابهی ندارید چگونه می توانید
152
00:07:34,430 –> 00:07:37,130
آن را از ابتدا کدنویسی کنید، این
153
00:07:37,130 –> 00:07:39,590
هدف نهایی این جلسه است، بنابراین کاری که
154
00:07:39,590 –> 00:07:44,090
من انجام خواهم داد، numpy s و P و با فرمت بلوک را وارد می کنم.
155
00:07:44,090 –> 00:07:49,910
156
00:07:49,910 –> 00:07:52,220
من چه خواهیم کرد تمام نقاط من را می گیرم
157
00:07:52,220 –> 00:07:56,690
مثل این که حالا شما با
158
00:07:56,690 –> 00:07:59,630
آرایه های x و y por ما تنظیم شده اید و کاری که من انجام خواهم داد
159
00:07:59,630 –> 00:08:02,090
این دو را اجرا می کنم و
160
00:08:02,090 –> 00:08:08,840
شکل نقطه X را خوب می بینم و آنچه را که
161
00:08:08,840 –> 00:08:13,040
من انجام خواهم داد به سادگی انجام خواهم داد. یک نمودار در اینجا D
162
00:08:13,040 –> 00:08:21,890
نمودار پراکندگی X کاما این نمودار پراکندگی من است
163
00:08:21,890 –> 00:08:25,460
خوب کاری که اکنون باید انجام دهم ایجاد یک
164
00:08:25,460 –> 00:08:27,860
مدل تعمیم یافته با استفاده از معادله ای است
165
00:08:27,860 –> 00:08:30,470
که در اینجا ایجاد کرده ایم، باید
166
00:08:30,470 –> 00:08:34,070
معادله MMG را ارزیابی کنیم درست
167
00:08:34,070 –> 00:08:37,400
معادله من y برابر است به MX به علاوه C بنابراین
168
00:08:37,400 –> 00:08:41,299
M قوانینی برای انجام این کار خواهند بود اول از همه