در این مطلب، ویدئو رگرسیون خطی پایتون با معادله عادی 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: 00:13:24
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,480 –> 00:00:02,159
در این ویدیو به شما نشان می دهم که چگونه
2
00:00:02,159 –> 00:00:04,240
3
00:00:04,240 –> 00:00:05,359
مستقیماً
4
00:00:05,359 –> 00:00:09,760
با استفاده از معادله عادی در پایتون یک مسئله رگرسیون خطی را حل
5
00:00:09,760 –> 00:00:12,320
کنید اولین کاری که می خواهیم انجام دهیم این است
6
00:00:12,320 –> 00:00:14,000
که کتابخانه هایی را که قرار
7
00:00:14,000 –> 00:00:17,039
است از آنها استفاده کنیم وارد کنیم. از numpy
8
00:00:17,039 –> 00:00:19,039
و همچنین matplotlib استفاده می کنیم زیرا می خواهیم
9
00:00:19,039 –> 00:00:21,119
چند نمودار ایجاد کنیم، بنابراین
10
00:00:21,119 –> 00:00:23,119
می گوییم
11
00:00:23,119 –> 00:00:25,039
numpy را به عنوان
12
00:00:25,039 –> 00:00:27,840
np وارد کنیم و سپس
13
00:00:27,840 –> 00:00:29,039
نقشه
14
00:00:29,039 –> 00:00:31,439
plotlib نقطه
15
00:00:31,439 –> 00:00:34,160
pi را
16
00:00:34,160 –> 00:00:36,239
به صورت plt وارد کنیم،
17
00:00:36,239 –> 00:00:37,840
بنابراین اکنون کاری که من می خواهم انجام دهم این است که
18
00:00:37,840 –> 00:00:40,480
داده های تصادفی برای x و y تولید
19
00:00:40,480 –> 00:00:41,360
20
00:00:41,360 –> 00:00:43,200
کنم، بنابراین من می روم. برای اینکه بگوییم x
21
00:00:43,200 –> 00:00:44,480
و i فقط از تابع تصادفی
22
00:00:44,480 –> 00:00:47,120
در numpy برای
23
00:00:47,120 –> 00:00:50,719
تولید مقداری داده استفاده می کنیم، بنابراین np
24
00:00:50,719 –> 00:00:53,440
dot نقطه تصادفی rand
25
00:00:53,440 –> 00:00:56,320
50 و بنابراین کاری که این کار انجام می دهد این است که
26
00:00:56,320 –> 00:00:59,199
50
27
00:00:59,199 –> 00:01:02,239
مقدار تصادفی بین 0 و 1 ایجاد می کند. و من در واقع
28
00:01:02,239 –> 00:01:03,280
29
00:01:03,280 –> 00:01:05,199
این ها را می خواهم. مقادیر to be
30
00:01:05,199 –> 00:01:07,439
و من فقط این را به شما نشان خواهم داد بنابراین
31
00:01:07,439 –> 00:01:09,680
اساساً من اکنون یک آرایه دارم که دارای
32
00:01:09,680 –> 00:01:12,479
50 مقدار است و آنها بین 0 و 1 هستند.
33
00:01:12,479 –> 00:01:14,240
و من می خواهم این مقادیر را
34
00:01:14,240 –> 00:01:16,000
کمی بزرگتر کنم بنابراین می خواهم این را ضرب کنم
35
00:01:16,000 –> 00:01:17,600
با 3
36
00:01:17,600 –> 00:01:20,400
بنابراین می توانید ببینید که اکنون مقادیر
37
00:01:20,400 –> 00:01:24,320
بین 0 تا 3 متغیر است و سپس ما می خواهیم
38
00:01:24,320 –> 00:01:26,240
مقداری و سپس باید مقداری
39
00:01:26,240 –> 00:01:27,600
داده
40
00:01:27,600 –> 00:01:28,640
برای y
41
00:01:28,640 –> 00:01:29,439
42
00:01:29,439 –> 00:01:32,479
تولید کنیم و میخواهیم دادههای با ظاهر خطی تولید کنیم،
43
00:01:32,479 –> 00:01:34,000
بنابراین یکی از فرضیات
44
00:01:34,000 –> 00:01:35,920
مدل رگرسیون خطی این است که
45
00:01:35,920 –> 00:01:38,079
دادههای شما خطی هستند، همانطور که من میخواهم
46
00:01:38,079 –> 00:01:40,000
دادههای ظاهری خطی تولید کنم، زیرا من
47
00:01:40,000 –> 00:01:41,360
فقط میخواهم از معادله برای یک
48
00:01:41,360 –> 00:01:43,680
خط استفاده کنم، بنابراین من از 2
49
00:01:43,680 –> 00:01:46,000
به علاوه 3
50
00:01:46,000 –> 00:01:49,119
x استفاده میکنم، بنابراین x آرایهای است که به تازگی ایجاد کردهایم
51
00:01:49,119 –> 00:01:50,560
52
00:01:50,560 –> 00:01:51,759
و سپس
53
00:01:51,759 –> 00:01:53,439
چه کاری انجام میدهم
54
00:01:53,439 –> 00:01:54,399
55
00:01:54,399 –> 00:01:55,360
56
00:01:55,360 –> 00:01:57,200
تا این کمی بیشتر
57
00:01:57,200 –> 00:01:58,560
به نظر برسد. کمی بیشتر شبیه به
58
00:01:58,560 –> 00:02:00,240
داده های واقعی است، من قصد دارم مقداری
59
00:02:00,240 –> 00:02:02,560
نویز تصادفی به آن اضافه کنم، بنابراین می خواهم بگویم
60
00:02:02,560 –> 00:02:04,079
به اضافه
61
00:02:04,079 –> 00:02:08,560
np dot نقطه تصادفی rand 50
62
00:02:08,560 –> 00:02:10,959
و سپس می توانیم به شکل y نگاه
63
00:02:10,959 –> 00:02:12,080
کنیم،
64
00:02:12,080 –> 00:02:14,720
بنابراین y،
65
00:02:14,720 –> 00:02:17,280
بنابراین این مقادیر هستند که ما برای
66
00:02:17,280 –> 00:02:19,280
y داریم و به جای اینکه فقط به اینها نگاه
67
00:02:19,280 –> 00:02:21,360
کنیم، منطقی تر است که آنها را رسم کنیم زیرا در
68
00:02:21,360 –> 00:02:23,120
این صورت می توانیم ببینیم
69
00:02:23,120 –> 00:02:25,360
که این داده ها واقعاً چه
70
00:02:25,360 –> 00:02:27,840
شکلی هستند و اگر شما
71
00:02:27,840 –> 00:02:30,640
وارد می کنید، بنابراین من این داده ها را تولید می کنم،
72
00:02:30,640 –> 00:02:32,959
اما اگر وارد می کنید برخی از داده ها
73
00:02:32,959 –> 00:02:35,120
را می خواهید ترسیم کنید تا ببینید
74
00:02:35,120 –> 00:02:37,360
قبل از اعمال یک مود چگونه به نظر می رسد
75
00:02:37,360 –> 00:02:39,280
برای اطمینان از اینکه
76
00:02:39,280 –> 00:02:41,440
شما از مدلی استفاده میکنید که منطقی
77
00:02:41,440 –> 00:02:43,200
است، مانند این مورد، از آنجایی که ما از
78
00:02:43,200 –> 00:02:45,360
رگرسیون خطی استفاده میکنیم، میخواهیم مطمئن شویم
79
00:02:45,360 –> 00:02:46,800
که دادههای ما
80
00:02:46,800 –> 00:02:49,360
خطی هستند، من این را رسم میکنم.
81
00:02:49,360 –> 00:02:52,319
نمودار نقطهای plt و سپس این x y است
82
00:02:52,319 –> 00:02:55,360
و سپس من میخواهم نقاط را ترسیم کنم
83
00:02:55,360 –> 00:02:56,400
84
00:02:56,400 –> 00:03:00,239
نه یک خط، بنابراین یک صفر
85
00:03:00,239 –> 00:03:02,319
یا یک o
86
00:03:02,319 –> 00:03:04,400
را قرار میدهم و سپس نقطه را plt میگذارم و میخواهم چند برچسب بگذارم
87
00:03:04,400 –> 00:03:06,720
فقط برای اینکه مشخص شود چه چیزی
88
00:03:06,720 –> 00:03:09,040
در محورهای مختلف چه چیزی وجود دارد،
89
00:03:09,040 –> 00:03:12,239
90
00:03:12,239 –> 00:03:15,040
91
00:03:15,200 –> 00:03:15,920
92
00:03:15,920 –> 00:03:17,360
بنابراین این دادههایی است که ما به
93
00:03:17,360 –> 00:03:19,599
تازگی تولید کردهایم، کاری که میخواهم انجام دهم قبل از
94
00:03:19,599 –> 00:03:21,040
اینکه به
95
00:03:21,040 –> 00:03:24,159
حل واقعی این
96
00:03:24,159 –> 00:03:25,840
مدل بپردازیم، میخواهم معادلات را به
97
00:03:25,840 –> 00:03:27,920
سرعت به شما نشان دهم به عنوان یک
98
00:03:27,920 –> 00:03:29,680
یادآوری، بنابراین
99
00:03:29,680 –> 00:03:33,360
اول از همه ما به خوبی حل می کنیم، بنابراین
100
00:03:33,360 –> 00:03:36,480
مدل ما y برابر x
101
00:03:36,480 –> 00:03:37,599
بتا است
102
00:03:37,599 –> 00:03:40,560
و به یاد داشته باشید که y یک
103
00:03:40,560 –> 00:03:45,360
ستون یک بردار است، بنابراین ما از y 1
104
00:03:45,360 –> 00:03:48,319
تا yn داریم و این همان چیزی است که تولید کردیم و
105
00:03:48,319 –> 00:03:50,720
به یاد داشته باشید که 50 مقدار داریم بنابراین i
106
00:03:50,720 –> 00:03:53,840
در واقع می توانید این را تغییر دهید این به
107
00:03:53,840 –> 00:03:55,360
50 می رسد
108
00:03:55,360 –> 00:03:57,680
و سپس این برابر است
109
00:03:57,680 –> 00:04:01,680
با ماتریس x این در واقع 1 است
110
00:04:01,680 –> 00:04:04,879
بنابراین f ما ستون اول همیشه یک است
111
00:04:04,879 –> 00:04:07,040
و سپس از آنجایی که این یک
112
00:04:07,040 –> 00:04:09,439
مدل رگرسیون خطی ساده است، ما فقط
113
00:04:09,439 –> 00:04:12,560
متغیرهای مستقل داریم، بنابراین این x1 است و
114
00:04:12,560 –> 00:04:15,519
سپس به x 50 کاهش مییابد
115
00:04:15,519 –> 00:04:17,839
و سپس این در
116
00:04:17,839 –> 00:04:20,238
بتای هیچ
117
00:04:20,238 –> 00:04:22,400
و بتا 1 ضرب میشود. چیزی که ما در واقع حل میکنیم
118
00:04:22,400 –> 00:04:24,080
برای
119
00:04:24,080 –> 00:04:26,960
is beta هیچ و بتا 1. روشی
120
00:04:26,960 –> 00:04:29,680
که ما حل می کنیم این است که از
121
00:04:29,680 –> 00:04:32,800
معادله عادی استفاده می کنیم و بنابراین
122
00:04:32,800 –> 00:04:35,840
بتا برابر است با
123
00:04:35,840 –> 00:04:39,440
x جابجا می شود x
124
00:04:39,440 –> 00:04:41,199
معکوس
125
00:04:41,199 –> 00:04:43,520
x جابجا می شود
126
00:04:43,520 –> 00:04:44,720
y
127
00:04:44,720 –> 00:04:48,080
و بنابراین ما مقادیر x و y خود را داریم و بنابراین
128
00:04:48,080 –> 00:04:50,639
همه ما باید این
129
00:04:50,639 –> 00:04:53,680
معادله را مستقیماً برنامهریزی کنیم و سپس میتوانیم
130
00:04:53,680 –> 00:04:56,560
بتا هیچ و بتا 1 را حل کنیم، پس کاری
131
00:04:56,560 –> 00:04:59,600
که انجام میدهیم این است که به این مدل برگردیم مانند
132
00:04:59,600 –> 00:05:02,160
زمانی که محاسبه کردیم که هیچ
133
00:05:02,160 –> 00:05:03,759
و بتا 1 چیست
134
00:05:03,759 –> 00:05:06,639
و میتوانیم آنها را ضرب کنیم. توسط
135
00:05:06,639 –> 00:05:09,600
x با مقادیر x دیگر و ما میتوانیم
136
00:05:09,600 –> 00:05:12,160
مقادیر پیشبینیشده را برای y محاسبه کنیم
137
00:05:12,160 –> 00:05:13,440
و در این
138
00:05:13,440 –> 00:05:17,199
ویدیو من قصد ندارم مانند
139
00:05:17,199 –> 00:05:18,880
مجموعه دادههای آموزشی و آزمایشی انجام دهم زیرا
140
00:05:18,880 –> 00:05:21,120
فقط میخواهم روی
141
00:05:21,120 –> 00:05:23,440
نحوه حل معادله عادی تمرکز کنم.
142
00:05:23,440 –> 00:05:25,520
اگر من
143
00:05:25,520 –> 00:05:28,080
به این مدل qui واقعی برگردم، باید لایک کنیم ck
144
00:05:28,080 –> 00:05:31,199
در حال حاضر ما یک بردار x
145
00:05:31,199 –> 00:05:32,960
داریم مانند آنچه که داریم و کاری که
146
00:05:32,960 –> 00:05:35,919
باید انجام دهیم این است که باید
147
00:05:35,919 –> 00:05:40,080
یک ستون از یک ها را به بردار x خود اضافه کنیم و
148
00:05:40,080 –> 00:05:41,919
اساساً ماتریسی ایجاد کنیم که دارای یک
149
00:05:41,919 –> 00:05:44,000
ستون از یک ها و سپس
150
00:05:44,000 –> 00:05:45,759
یک ستون از
151
00:05:45,759 –> 00:05:47,919
x است. مقادیر بنابراین روشی که می خواهیم این کار را
152
00:05:47,919 –> 00:05:51,039
انجام دهیم این است که من از این استفاده
153
00:05:51,039 –> 00:05:52,960
خواهم کرد، من از
154
00:05:52,960 –> 00:05:56,080
زیر خط c از کتابخانه noon pi استفاده می کنم، بنابراین c
155
00:05:56,080 –> 00:05:57,520
156
00:05:57,520 –> 00:05:59,680
underscore و من به شما نشان خواهم داد که چگونه این کار را
157
00:05:59,680 –> 00:06:01,759
در کد انجام دهید. اما
158
00:06:01,759 –> 00:06:04,400
اساساً کاری که انجام می دهد این است که به هم
159
00:06:04,400 –> 00:06:05,840
پیوسته می شود
160
00:06:05,840 –> 00:06:09,280
یا ماتریس ها را توسط ردیف ها به هم می پیوندد و
161
00:06:09,280 –> 00:06:12,240
در امتداد محور دوم به هم متصل می شود و من
162
00:06:12,240 –> 00:06:15,199
می خواستم این را در اینجا مشخص کنم زیرا
163
00:06:15,199 –> 00:06:17,759
ممکن است کمی گیج کنند