در این مطلب، ویدئو رگرسیون وزنی محلی در پایتون 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: 00:19:13
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,170 –> 00:00:02,700
سلام بچه ها به ویدیوی دیگری در مورد
2
00:00:02,700 –> 00:00:04,620
یادگیری ماشین خوش آمدید در این ویدیو ما یاد می گیریم که
3
00:00:04,620 –> 00:00:07,259
چگونه رگرسیون با وزن محلی را در پایتون پیاده سازی کنیم،
4
00:00:07,259 –> 00:00:10,080
بنابراین این
5
00:00:10,080 –> 00:00:12,210
ویدیو فرض می کند که شما قبلاً
6
00:00:12,210 –> 00:00:13,790
درک ریاضی و
7
00:00:13,790 –> 00:00:16,440
پس زمینه مفهومی لازم برای
8
00:00:16,440 –> 00:00:18,810
رگرسیون وزنی محلی را دارید، اما اگر
9
00:00:18,810 –> 00:00:19,800
ندارید. نمی دانم رگرسیون با وزن محلی چیست
10
00:00:19,800 –> 00:00:21,779
و چگونه به آن دست یابیم، سپس
11
00:00:21,779 –> 00:00:23,939
برگردید و ویدیوی قبلی خود را تماشا کنید.
12
00:00:23,939 –> 00:00:26,400
13
00:00:26,400 –> 00:00:30,179
14
00:00:30,179 –> 00:00:32,729
15
00:00:32,729 –> 00:00:34,469
16
00:00:34,469 –> 00:00:37,260
17
00:00:37,260 –> 00:00:38,910
چیزهایی که ابتدا با
18
00:00:38,910 –> 00:00:40,379
وارد کردن وابستگیهایمان شروع میکنم،
19
00:00:40,379 –> 00:00:41,969
به چند وابستگی نیاز داریم،
20
00:00:41,969 –> 00:00:46,800
بنابراین آنها numpy را بهعنوان NP وارد میکنند و ما
21
00:00:46,800 –> 00:00:49,890
همچنین به پانداهایی نیاز داریم که از یک
22
00:00:49,890 –> 00:00:53,160
فایل CSV برای خواندن در ورودیمان استفاده میکنیم و ما
23
00:00:53,160 –> 00:00:55,820
ریاضی را وارد میکنیم که فقط برای ترسیم
24
00:00:55,820 –> 00:01:01,770
رگرسیون ما در انتها پس از
25
00:01:01,770 –> 00:01:06,960
مطابقت با مدل بله، بنابراین واردات ما در
26
00:01:06,960 –> 00:01:09,420
جای خود قرار میگیرد. قرار است این کار
27
00:01:09,420 –> 00:01:12,840
را انجام دهیم این است که ورودی خود را
28
00:01:12,840 –> 00:01:17,330
در برنامه خود بخوانیم تا بتوانیم بگوییم دادههایی که
29
00:01:17,330 –> 00:01:22,920
میتوانیم PD dot read CSV را صدا کنیم و در خانواده خود ارسال کنیم،
30
00:01:22,920 –> 00:01:25,920
بنابراین من از tip start CSV استفاده میکنم،
31
00:01:25,920 –> 00:01:28,170
بنابراین خانواده من از این نام فایل استفاده میکنم.
32
00:01:28,170 –> 00:01:30,840
بنابراین دارای شش مشخصه و
33
00:01:30,840 –> 00:01:33,390
یک مقدار پیوسته است و دارای کل صورتحساب
34
00:01:33,390 –> 00:01:37,009
است و دارای رابطه جنسی در روز سیگاری است و اندازه و
35
00:01:37,009 –> 00:01:39,180
نوک مقدار پیوسته ای است
36
00:01:39,180 –> 00:01:43,799
که ما واقعاً به آن اهمیت می دهیم، بنابراین
37
00:01:43,799 –> 00:01:46,759
مجموعه داده های ما است که آن را در برنامه خود در برنامه خود می خوانیم.
38
00:01:46,759 –> 00:01:49,860
داده های متغیر و
39
00:01:49,860 –> 00:01:51,510
[Music]
40
00:01:51,510 –> 00:01:54,310
ما در واقع دو ستون
41
00:01:54,310 –> 00:01:57,760
از مجموعه داده استخراج خواهیم
42
00:01:57,760 –> 00:02:00,700
کرد، ستون صورتحساب کل و ستون نوک را استخراج می کنیم، بنابراین می توانیم
43
00:02:00,700 –> 00:02:06,640
بگوییم ستون a آرایه numpy است و ما
44
00:02:06,640 –> 00:02:09,369
در آن ستون از داده ها عبور می کنیم، بنابراین صورت
45
00:02:09,369 –> 00:02:15,430
حساب کل است. کل صورتحساب بله و ما
46
00:02:15,430 –> 00:02:17,520
همین کار را برای ستون دوم خود انجام می دهیم
47
00:02:17,520 –> 00:02:22,630
که ستون نوک نوک است، بنابراین
48
00:02:22,630 –> 00:02:25,300
ستون B درست می شود، بنابراین
49
00:02:25,300 –> 00:02:26,820
فقط برای اطمینان از اینکه ما خوانده
50
00:02:26,820 –> 00:02:29,650
ایم که برنامه ما
51
00:02:29,650 –> 00:02:33,130
فایل را به درستی می خواند. فقط آن را برای
52
00:02:33,130 –> 00:02:41,290
چاپ چاپ می کنم تا بله این ستون ها هستند n
53
00:02:41,290 –> 00:02:44,500
نام و 244 ورودی وجود دارد، بنابراین ما
54
00:02:44,500 –> 00:02:47,110
می توانیم از روی سر چاپ کنیم تا
55
00:02:47,110 –> 00:02:51,120
داده های واقعی را ببینیم، بنابراین بله، این مجموعه داده های ما است،
56
00:02:51,120 –> 00:02:53,830
بنابراین ما با موفقیت آن
57
00:02:53,830 –> 00:02:56,470
را در برنامه خود خوانده ایم، بنابراین
58
00:02:56,470 –> 00:02:58,269
اکنون چه کاری انجام می دهیم. انجام دهید این است
59
00:02:58,269 –> 00:03:00,430
که ما این ستون ها را به ماتریس های خود تبدیل می کنیم
60
00:03:00,430 –> 00:03:03,940
تا ماتریس های ناهمواری داشته باشید، بنابراین می توانید
61
00:03:03,940 –> 00:03:07,870
بگویید ستون ماتریس برابر با نقشه نقطه NP است
62
00:03:07,870 –> 00:03:12,280
و سپس آن ستون را رد کنید،
63
00:03:12,280 –> 00:03:15,970
فقط با من تماس بگیرید، همین کار را برای
64
00:03:15,970 –> 00:03:18,630
ستون B
65
00:03:19,720 –> 00:03:23,959
انجام ندهید، بنابراین اکنون ما
66
00:03:23,959 –> 00:03:28,220
فقط تعداد ستونها را میگیریم،
67
00:03:28,220 –> 00:03:30,049
68
00:03:30,049 –> 00:03:33,079
بنابراین از شکل ماتریس به دست میآید، بنابراین شکل
69
00:03:33,079 –> 00:03:36,109
ماتریس یک تاپل برمیگرداند، بنابراین
70
00:03:36,109 –> 00:03:38,329
میتوانیم بگوییم آن شکل سادهتر را بسازید و
71
00:03:38,329 –> 00:03:42,140
این کار طول میکشد. یک پارامتر را در ماتریس پاس می دهیم،
72
00:03:42,140 –> 00:03:44,000
بنابراین چندین مقدار را برمی گرداند،
73
00:03:44,000 –> 00:03:44,840
74
00:03:44,840 –> 00:03:46,730
به طور دقیق، دو مقدار برداشته
75
00:03:46,730 –> 00:03:48,500
می شود و مقدار اول
76
00:03:48,500 –> 00:03:50,239
تعداد ردیف ها و مقدار دوم تعداد سطرها
77
00:03:50,239 –> 00:03:52,099
خواهد بود. از ستونها، بنابراین
78
00:03:52,099 –> 00:03:53,720
مقدار 0، تعداد
79
00:03:53,720 –> 00:03:56,810
سطرها و اول یک ردیف خواهد بود مقدار،
80
00:03:56,810 –> 00:03:59,030
تعداد ستونهای درست خواهد بود، بنابراین این
81
00:03:59,030 –> 00:04:01,430
کار انجام شد، بنابراین ما فقط یک ماتریس یک بار را مقداردهی اولیه میکنیم،
82
00:04:01,430 –> 00:04:05,420
بیایید برویم که به ترتیب
83
00:04:05,420 –> 00:04:08,930
یک کاما M خواهد بود، بنابراین این کار را با گفتن 1
84
00:04:08,930 –> 00:04:12,680
برابر NP انجام میدهیم که زمانی که یک زمانی که روش
85
00:04:12,680 –> 00:04:15,530
NP خاموش شد و ما فقط
86
00:04:15,530 –> 00:04:18,949
ابعاد 1 کاما M و
87
00:04:18,949 –> 00:04:26,690
نوع داده int خواهد بود، بنابراین درست است،
88
00:04:26,690 –> 00:04:28,880
بنابراین اکنون کاری که میخواهیم انجام دهیم این است که
89
00:04:28,880 –> 00:04:30,500
ما میخواهیم خود را تولید کنیم.
90
00:04:30,500 –> 00:04:33,979
ماتریس ورودی با قرار دادن جابجایی
91
00:04:33,979 –> 00:04:37,909
یک ماتریس بر روی هم، منظور من همراه با UM
92
00:04:37,909 –> 00:04:40,909
ستون صورتحساب کل است،
93
00:04:40,909 –> 00:04:43,849
بنابراین ما میتوانیم این کار را با گفتن این که من فقط
94
00:04:43,849 –> 00:04:48,740
برای رسم انباشته افقی نظر میدهم
95
00:04:48,740 –> 00:04:51,199
انجام دهیم تا بتوانیم آن X را که ماتریس ورودی ما است انجام دهیم.
96
00:04:51,199 –> 00:04:53,840
در P dot head stink
97
00:04:53,840 –> 00:04:56,210
که آن را به صورت افقی رتبه بندی می کند و
98
00:04:56,210 –> 00:04:59,470
یک تاپلی می گیرد که شامل
99
00:04:59,470 –> 00:05:03,259
دو ماتریس مختلف است، بنابراین
100
00:05:03,259 –> 00:05:05,990
یکی از ماتریس های دیگری خواهد بود، بنابراین در واقع
101
00:05:05,990 –> 00:05:07,820
جابجایی ماتریس برای یک بار و سپس
102
00:05:07,820 –> 00:05:11,090
ستون ساخت لاک پشت ما ستون e
103
00:05:11,090 –> 00:05:13,910
ماتریس در واقع جابجایی آن
104
00:05:13,910 –> 00:05:16,789
ماتریس به سمت راست است، بنابراین ما می توانیم فقط pri
105
00:05:16,789 –> 00:05:18,320
شکل ما را بیرون نکشید و ببینید که به سمت آن می
106
00:05:18,320 –> 00:05:22,580
رود باید 2 کاما باشد تعداد ورودی ها
107
00:05:22,580 –> 00:05:27,889
تعداد شما افزایش دهید ببینید 2:45 است
108
00:05:27,889 –> 00:05:30,560
بنابراین از آنجایی که شاخص 0 است
109
00:05:30,560 –> 00:05:36,229
244 می شود، بنابراین شکل ستاره X است،
110
00:05:36,229 –> 00:05:37,940
فقط شکل را چاپ می کنیم. و این
111
00:05:37,940 –> 00:05:40,940
به نوعی خواهد بود – بله 244 کاما –
112
00:05:40,940 –> 00:05:42,880
ببخشید
113
00:05:42,880 –> 00:05:45,650
حق بدی که اینجا انجام شد، بنابراین ما
114
00:05:45,650 –> 00:05:48,169
تقریباً با تنظیم ورودی و
115
00:05:48,169 –> 00:05:50,449
داشتن ماتریس های ورودی و خروجی خود و
116
00:05:50,449 –> 00:05:52,520
نه ماتریس خروجی، بلکه ماتریس های ورودی
117
00:05:52,520 –> 00:05:56,710
که ما انجام می دهیم، تمام شده است. باید با آن کار کنیم و
118
00:05:56,710 –> 00:05:59,479
اکنون کاری که میخواهیم انجام دهیم این است
119
00:05:59,479 –> 00:06:01,460
که متغیری را تعریف کنیم تا
120
00:06:01,460 –> 00:06:04,820
پیشبینیهای نهایی قرمز رنگ برابر با
121
00:06:04,820 –> 00:06:06,860
تابعی فراخوانی کنیم که در واقع
122
00:06:06,860 –> 00:06:08,750
رگرسیون وزنی محلی را برای ما انجام میدهد تا
123
00:06:08,750 –> 00:06:10,720
بتوانیم آن را فراخوانی کنیم. تابع یک رگرسیون وزن محلی است
124
00:06:10,720 –> 00:06:14,630
و سپس میتوانیم در
125
00:06:14,630 –> 00:06:18,650
ماتریس ورودی ستون B و سپس پهنای باند خود را ارسال کنیم،
126
00:06:18,650 –> 00:06:20,449
بنابراین در واقع این مقدار K است،
127
00:06:20,449 –> 00:06:21,320
128
00:06:21,320 –> 00:06:24,590
بنابراین 0.5 آن را به نقطه 5 تنظیم میکند،
129
00:06:24,590 –> 00:06:27,590
بنابراین پهنای باند است، بنابراین در
130
00:06:27,590 –> 00:06:30,169
مورد K صحبت خواهیم کرد. پهنای باند
131
00:06:30,169 –> 00:06:34,140
در یک لحظه چیست؟
132
00:06:34,140 –> 00:06:35,970
بله، ما فقط به سرعت ادامه می دهیم و
133
00:06:35,970 –> 00:06:38,490
این تابع را می نویسیم تا
134
00:06:38,490 –> 00:06:42,650
رگرسیون رتبه بندی محلی را برای ما انجام دهیم، بنابراین می
135
00:06:42,650 –> 00:06:45,150
توانیم بگوییم تعریف کنید می توانیم یک رگرسیون وزن محلی با وزن محلی تعریف کنیم،
136
00:06:45,150 –> 00:06:47,610
بنابراین رگرسیون نرخ محلی داریم
137
00:06:47,610 –> 00:06:50,640
که ماتریس ورودی
138
00:06:50,640 –> 00:06:53,730
ماتریس خروجی را می گیرد. آرام B
139
00:06:53,730 –> 00:06:59,970
و مقدار K درست است، بنابراین بله، شما
140
00:06:59,970 –> 00:07:03,030
به سرعت ابعاد
141
00:07:03,030 –> 00:07:07,620
ماتریس ورودی را با گفتن به شکل PDF
142
00:07:07,620 –> 00:07:10,890
بگیرید، بنابراین ما فقط به تعداد سطرها علاقه مند هستیم،
143
00:07:10,890 –> 00:07:17,580
بنابراین دفعه بعد
144
00:07:17,580 –> 00:07:19,440
تعداد سطرها اضافه می شود. در متغیر M قرار
145
00:07:19,440 –> 00:07:25,170
بگیریم، پس میتوانیم در یک
146
00:07:25,170 –> 00:07:27,660
ماتریس خالی برای پیشبینیهایمان مقداردهی اولیه کنیم، بنابراین
147
00:07:27,660 –> 00:07:30,960
میتوانیم ببینیم که چرا ماتریس زیبا پر از
148
00:07:30,960 –> 00:07:36,240
صفر است یا trs-80 است
149
00:07:36,240 –> 00:07:41,480
و این به ترتیب M خواهد بود، بنابراین
150
00:07:41,480 –> 00:07:45,030
اکنون ما دوباره یک حلقه for یا I را
151
00:07:45,030 –> 00:07:50,990
در محدوده 0 تا M اجرا می کنیم و ما
152
00:07:50,990 –> 00:07:53,610
پیش بینی ها را می گیریم، بنابراین پیش بینی یک
153
00:07:53,610 –> 00:07:56,420
پیش بینی برای یک نقطه معین برای یک
154
00:07:56,420 –> 00:08:01,350
مثال داده شده با ضرب
155
00:08:01,350 –> 00:08:03,840
وزن محلی آن نقطه در
156
00:08:03,840 –> 00:08:06,840
مقدار ورودی ایجاد می شود. بنابراین پیش بینی Y خواهد بود
157
00:08:06,840 –> 00:08:11,580
از I قرار است مقدار X ما
158
00:08:11,580 –> 00:08:17,220
از I باشد و آن را با رویداد محلی ضرب می کنیم
159
00:08:17,220 –> 00:08:22,890
تا وزن محلی بتواند
160
00:08:22,890 –> 00:08:26,430
تابعی باشد که می توانیم در
161
00:08:26,430 –> 00:08:28,530
ماتریس ورودی و خروجی خود ارسال کنیم و می توانیم در نقطه خود عبور
162
00:08:28,530 –> 00:08:31,470
دهیم و وزن آن محل را بدست آوریم.
163
00:08:31,470 –> 00:08:33,390
بنابراین ما تابع دیگری را
164
00:08:33,390 –> 00:08:34,380
برای آن
165
00:08:34,380 –> 00:08:36,479
می نویسیم، بنابراین ما فقط تابع را در
166
00:08:36,479 –> 00:08:38,820
موقعیت مکانی می نویسیم و این
167
00:08:38,820 –> 00:08:40,710
ماتریس ورودی Phi است که
168
00:08:40,710 –> 00:08:43,740
نقطه و ماتریس ورودی به همراه
169
00:08:43,740 –> 00:08:45,860
ماتریس خروجی و مقدار K است.
170
00:08:45,860 –> 00:08:48,810
پس از انجام این حلقه،
171
00:08:48,810 –> 00:08:53,839
پیشبینیها را در ماتریس قرمز لوله خود خواهیم داشت،
172
00:08:54,470 –> 00:08:59,459
بنابراین کمی ناخوشایند بود، بنابراین بله،
173
00:08:59,459 –> 00:09:02,399
این کار انجام شد و بنابراین اکنون ادامه میدهیم
174
00:09:02,399 –> 00:09:06,000
و این تابع را تعریف میکنیم که انتظار محلی است،
175
00:09:06,000 –> 00:09:13,860
میتوانم بگویم نرخ محلی را تعریف کنید و
176
00:09:13,860 –> 00:09:18,810
چهار پارامتر را
177
00:09:18,810 –> 00:09:21,360
می گیرد، مثلاً برای آن نقطه ای را که می گیرد، ماتریس ورودی
178
00:09:21,360 –> 00:09:23,930
می گیرد، ماتریس خروجی و مقدار K