Session 4 Non linear regression model
DownloadTélécharger
Actions
Vote :
ScreenshotAperçu
Informations
Catégorie :Category: nCreator TI-Nspire
Auteur Author: NSRBIKE
Type : Classeur 3.0.1
Page(s) : 1
Taille Size: 2.08 Ko KB
Mis en ligne Uploaded: 24/10/2024 - 06:24:29
Uploadeur Uploader: NSRBIKE (Profil)
Téléchargements Downloads: 1
Visibilité Visibility: Archive publique
Shortlink : http://ti-pla.net/a4272454
Type : Classeur 3.0.1
Page(s) : 1
Taille Size: 2.08 Ko KB
Mis en ligne Uploaded: 24/10/2024 - 06:24:29
Uploadeur Uploader: NSRBIKE (Profil)
Téléchargements Downloads: 1
Visibilité Visibility: Archive publique
Shortlink : http://ti-pla.net/a4272454
Description
Fichier Nspire généré sur TI-Planet.org.
Compatible OS 3.0 et ultérieurs.
<<
X.shape (43,) X = X.reshape(-1, 1) X.shape (43, 1) X_expanded = np.concatenate([X, X**2], axis=1) mymodel = LinearRegression().fit(X_expanded, Y) print(mymodel.coef_) print(mymodel.intercept_) print(mymodel.score(X_expanded, Y)) [-1.16073766e+01 -3.67897381e-03 5.62585952e-02] 0.09615369583567634 0.9121883237343115 score = mymodel.score(X_expanded, Y) print(score) 0.9121883237343115 # The model is: # Y = 3.1 X^2 - 5.4 X + 146 + noise, with R² = 0.91 Y_pred = mymodel.predict(X_expanded) plt.plot(X, Y, '*') plt.plot(X, Y_pred, '-g') plt.show() # Importation des bibliothèques nécessaires import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression # Chargement des données à partir d'un fichier Excel df = pd.read_excel('data_lecture4.xlsx', sheet_name='non_lin_02') # Extraction des variables X et Y à partir du DataFrame X = df.X.values Y = df.Y.values # Visualisation initiale des données plt.plot(X, Y, '*') plt.show() # Redimensionnement de X pour l'utiliser dans le modèle X = X.reshape(-1, 1) # Ajout de termes quadratiques (X**2) et cubiques (X**3) X_expanded = np.concatenate([X, X**2, X**3], axis=1) # Création et ajustement du modèle de régression linéaire mymodel = LinearRegression().fit(X_expanded, Y) # Prédiction des valeurs de Y Y_pred = mymodel.predict(X_expanded) # Tracé des données observées et des valeurs prédites plt.plot(X, Y, '*') # Données observées plt.plot(X, Y_pred, '-g') # Valeurs prédites par le modèle plt.show() # Affichage des coefficients et de l'interception du modèle print(mymodel.coef_) # Coefficients des termes X, X**2, X**3 print(mymodel.intercept_) # Interception (ordonnée à l'origine) Made with nCreator - tiplanet.org
>>
Compatible OS 3.0 et ultérieurs.
<<
X.shape (43,) X = X.reshape(-1, 1) X.shape (43, 1) X_expanded = np.concatenate([X, X**2], axis=1) mymodel = LinearRegression().fit(X_expanded, Y) print(mymodel.coef_) print(mymodel.intercept_) print(mymodel.score(X_expanded, Y)) [-1.16073766e+01 -3.67897381e-03 5.62585952e-02] 0.09615369583567634 0.9121883237343115 score = mymodel.score(X_expanded, Y) print(score) 0.9121883237343115 # The model is: # Y = 3.1 X^2 - 5.4 X + 146 + noise, with R² = 0.91 Y_pred = mymodel.predict(X_expanded) plt.plot(X, Y, '*') plt.plot(X, Y_pred, '-g') plt.show() # Importation des bibliothèques nécessaires import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression # Chargement des données à partir d'un fichier Excel df = pd.read_excel('data_lecture4.xlsx', sheet_name='non_lin_02') # Extraction des variables X et Y à partir du DataFrame X = df.X.values Y = df.Y.values # Visualisation initiale des données plt.plot(X, Y, '*') plt.show() # Redimensionnement de X pour l'utiliser dans le modèle X = X.reshape(-1, 1) # Ajout de termes quadratiques (X**2) et cubiques (X**3) X_expanded = np.concatenate([X, X**2, X**3], axis=1) # Création et ajustement du modèle de régression linéaire mymodel = LinearRegression().fit(X_expanded, Y) # Prédiction des valeurs de Y Y_pred = mymodel.predict(X_expanded) # Tracé des données observées et des valeurs prédites plt.plot(X, Y, '*') # Données observées plt.plot(X, Y_pred, '-g') # Valeurs prédites par le modèle plt.show() # Affichage des coefficients et de l'interception du modèle print(mymodel.coef_) # Coefficients des termes X, X**2, X**3 print(mymodel.intercept_) # Interception (ordonnée à l'origine) Made with nCreator - tiplanet.org
>>