AliFallahi
AliFallahi
خواندن ۶ دقیقه·۴ سال پیش

آموزش رگرسیون خطی ساده، مرحله به مرحله و با مثال

آموزش رگرسیون خطی ساده به همراه مثال
آموزش رگرسیون خطی ساده به همراه مثال

در این مطلب ما از روش "Ordinary Least Squares (OLS)" یا «کمترین مربعات معمولی» استفاده می کنیم.

فرض می کنیم که جدول زیر نشان دهنده متراژ و قیمت چند خانه است.

مثال از رگرسیون خطی ساده
مثال از رگرسیون خطی ساده

ستون Area در این جدول نشان دهنده متراژ و ستون Price نشان دهنده قیمت آن خانه است. برای مثال قیمت خانه 1 متری 1 تومان، خانه 2 متری 3 تومان است.

اگر مقادیر جدول بالا را بر روی نمودار رسم کنیم، متوجه وجود یک رابطه خطی بین متراژ و قیمت می شویم، به طوری که در نتیجه افزایش متراژ، قیمت نیز افزایش می یابد.

https://www.aparat.com/v/Cmohf
داده های مثال رگرسیون خطی بر روی نمودار
داده های مثال رگرسیون خطی بر روی نمودار

برای رسم این نمودار از کد زیر استفاده شده است:

import matplotlib.pyplot as plt Area = [1,2,4,3,5] Price = [1,3,3,2,5] plt.scatter(Area, Price, color='blue') plt.xlabel('Area') plt.ylabel('Price')

در چنین مواردی که یک رابطه خطی بین متغیرها وجود دارد، می توانیم برای پیش بینی مقادیر جدید، از رگرسیون خطی استفاده کنیم.

در رگرسیون خطی (Linear Regression)، به طور کلی دو نوع متغیر وجود دارد:

  • متغیرهای مستقل، که اغلب با x نشان داده می شوند. در این مثال «متراژ»، یک متغیر مستقل است.
  • متغیرهای وابسته، که در نتیجه متغیرهای مستقل محاسبه می شوند و به طور معمول با y نشان داده می شوند. در این مثال، «قیمت خانه» یک متغیر وابسته به متراژ است.

اگر یک نوع متغیر مستقل داشته باشیم، رگرسیون خطی از نوع ساده (Simple Linear Regression) و در صورتی که چند نوع متغیر مستقل داشته باشیم، رگرسیون خطی چندگانه (Multiple Linear Regression) است. برای مثال قیمت نهایی خانه برگرفته از عواملی نظیر: متراژ، عمر بنا و محله باشد.

فرمول کلی رگرسیون خطی ساده

فرمول کلی محاسبه رگرسیون خطی ساده
فرمول کلی محاسبه رگرسیون خطی ساده

با استفاده از این فرمول ما می توانیم به ازای هر ورودی x، خروجی y را محاسبه کنیم. با در نظر گرفتن مثال بالا، می خواهیم پیش بینی کنیم قیمت یک خانه 6 متری چقدر است.

بدین ترتیب، در فرمول معرفی شده، مقدار x، 6 خواهد بود و با محاسبه B1 و B0 می توانیم Y که همان قیمت این خانه است را پیش بینی کنیم.

فرمول محاسبه بتا صفر در رگرسیون خطی ساده
فرمول محاسبه بتا صفر در رگرسیون خطی ساده
فرمول محاسبه بتا یک در رگرسیون خطی ساده
فرمول محاسبه بتا یک در رگرسیون خطی ساده

مشخص است که ابتدا باید B1 را حساب کنیم و سپس B0 را به دست بیاوریم.

برای محاسبه صورت کسر فرمول B1، برای هر ردیف، مقدار ستون x را از میانگین x ها کم می کنیم، مقدار ستون y را از میانگین y ها کم می کنیم، حاصل را در هم ضرب می کنیم.

برای تمامی ردیف ها این فرآیند را انجام می دهیم و در پایان تمامی این مقادیر را با هم جمع می کنیم.

محاسبه میانگین مقادیر در رگرسیون خطی ساده
محاسبه میانگین مقادیر در رگرسیون خطی ساده
مثال مرحله به مرحله رگرسیون خطی ساده
مثال مرحله به مرحله رگرسیون خطی ساده
محاسبه بتا یک در رگرسیون خطی ساده
محاسبه بتا یک در رگرسیون خطی ساده

کد زیر، مربوط محاسبه B1 است.

Area = [1,2,4,3,5] Price = [1,3,3,2,5] input_size = len(Area) x = Area y = Price def avg(avg_input): my_temp = 0 for i in range (0, input_size): my_temp = my_temp + avg_input[i] return(my_temp/input_size) avg_x = avg(x) avg_y = avg(y) print(&quotAverage of x: &quot, avg_x) print(&quotAverage of y: &quot, avg_y) def beta1(): beta1_numerator = 0 beta1_denumerator = 0 for i in range (0, input_size): beta1_numerator = beta1_numerator + ((x[i] - avg_x)*(y[i] - avg_y)) beta1_denumerator = beta1_denumerator + ((x[i] - avg_x)**2) return(beta1_numerator/beta1_denumerator) print(&quotBeta1 = &quot, beta1())

در نتیجه اجرای این کد مقادیر زیر به دست می آیند:

Average of x: 3.0
Average of y: 2.8
Beta1 = 0.8

در مرحله بعد، Beta0 را محاسبه می کنیم.

فرمول بتا صفر در رگرسیون خطی ساده
فرمول بتا صفر در رگرسیون خطی ساده
محاسبه بتا صفر در مثال رگرسیون ساده خطی
محاسبه بتا صفر در مثال رگرسیون ساده خطی
beta0 = avg_y - (beta1() * avg_x) print(&quotBeta0 = &quot, avg_y , &quot-&quot , &quot(&quot , beta1() , &quot*&quot , avg_x , &quot) =&quot , beta0)

در نتیجه اجرای این کد مقدار Beta0 به صورت زیر محاسبه می شود:

Beta0 = 2.8 - ( 0.8 * 3.0 ) = 0.39999999999999947

پس از محاسبه Beta1 و Beta0 می توانیم معادله خط رگرسیون را به دست بیاوریم:

Y = Beta0 + Beta0 x

Beta1 = 0.8

Beta0 = 0.399

Y = 0.8 + ( 0.399 * x)


در این معادله x، مقدار ورودی کاربر (با توجه به مثال، متراژ خانه) و Y نیز پاسخ نهایی یا همان قیمت خانه مورد نظر است.

def capital_y(user_input): return(beta0 + (beta1() * user_input))

ارزیابی مدل رگرسیون خطی ساده

پس از به دست آوردن معادله خط رگرسیون، نوبت به ارزیابی آن می رسد. برای این کار متراژ خانه ها را به تابع ساخته شده می دهیم و قیمت های محاسبه شده را با قیمت های اصلی مقایسه می کنیم.

ارزیابی مدل رگرسیون خطی ساده
ارزیابی مدل رگرسیون خطی ساده

ستون Predicted price در جدول قیمت های محاسبه شده را نشان می دهد. همانطور که مشخص است، مدل ساخته شده دارای خطا است. برای محسابه این بخش از کد زیر استفاده می شود:

user_input = [1,2,4,3,5] predicted_y = [] for i in range(0, len(user_input)): predicted_y.append(capital_y(user_input[i])) print(&quotPredicted values are: &quot, predicted_y)

حاصل اجرای کد بالا نیز به صورت زیر است:

Predicted values are: [1.1999999999999995, 1.9999999999999996, 3.5999999999999996, 2.8, 4.3999999999999995]

که همان مقادیر ستون Predicted price هستند.

در نمودار زیر نقاط آبی رنگ، قیمت های اصلی و نقاط قرمز رنگ قیمت های پیش بینی شده هستند.

مقایسه مقادیر پیش بینی شده توسط مدل رگرسیون خطی ساده با مقادیر اصلی
مقایسه مقادیر پیش بینی شده توسط مدل رگرسیون خطی ساده با مقادیر اصلی

فاصله هر نقطه آبی تا نقطه نارنجی در همان عرض، نشان دهنده میزان خطای مدل در پیش بینی قیمت ها است.

نمودار بالا با استفاده از کد زیر رسم شده است:

plt.scatter(Area, Price, color='blue') plt.scatter(Area, predicted_y, color='red') plt.xlabel('Area') plt.ylabel('Price') plt.plot(Area, predicted_y, color='orange')


محاسبه میزان خطای جذر میانگین مربعات (RMSE)

همانطور که گفته شده مشخص است مدل ساخته شده دارای خطا است، اما میزان خطای این مدل چقدر است؟

یکی از رایج ترین معیارهای سنجش خطا در مدل های رگرسیون و به طور کلی در مباحث ماشین لرنینگ، خطای Root Mean Squared Error است که به صورت زیر محاسبه می شود.

فرمول خطای جذر میانگین مربعات
فرمول خطای جذر میانگین مربعات
محاسبه فرمول خطای جذر میانگین مربعات
محاسبه فرمول خطای جذر میانگین مربعات
مثال خطای جذر میانگین مربعات
مثال خطای جذر میانگین مربعات
def my_RMSE(y,predicted_y): my_temp = 0 for i in range(0, input_size): my_temp = my_temp + ((y[i] - predicted_y[i])**2) my_temp = my_temp / input_size my_temp = my_temp **(1/2) return(my_temp) print(&quotRMSE = &quot, my_RMSE(y,predicted_y))

قطعه کد بالا، RMSE را برای مقادیر مثال مطرح شده محاسبه می کند.

RMSE = 0.692820323027551

تمامی کدهای نوشته شده در این مطلب، به صورت یکجا از لینک زیر قابل دریافت هستند:

https://github.com/alifallahi/Regression/blob/master/Simple_Linear_Regression.py


همانطور که گفته شد ما در این مطلب از روش کمترین مربعات معمولی (به انگلیسی: Ordinary Least Squares) (به اختصار OLS) استفاده کردیم. این روش برای مسایلی که تعداد متغیرهای وابسته و مستقل کم است و به طور کلی مسئله ساختار ساده ای دارد می تواند استفاده شود، اما در مسایل پیچیده تر که حجم داده ها و تعداد متعیرها بیشتر می شود نیاز است تا از روش هایی مثل «گرادیان کاهشی» استفاده کنیم که به صورت تکرار شونده و در چند مرحله بهترین مقدار را برای Beta1 و Beta0 به دست بیاورم تا در نهایت خط رگرسیون در مطلوبترین حالت رسم شود.

لینک های تکمیلی:

https://fa.wikipedia.org/wiki/خطای_جذر_میانگین_مربعات

https://fa.wikipedia.org/wiki/رگرسیون_خطی

https://fa.wikipedia.org/wiki/کمترین_مربعات_معمولی

پایتونماشین لرنینگآموزش رگرسیون خطی سادهمثال رگرسیون خطی سادهرگرسیون به زبان ساده
آنچنان رفتم كه خود می خواستم
شاید از این پست‌ها خوشتان بیاید