Regression Training and Testing – Practical Machine Learning
Watch this lesson to understand Regression Training and Testing – Practical Machine Learning — takes about 16 minutes.
क्या आप सीखेंगे
- डेटा को स्केल करने और इसके महत्व को समझना
- क्रॉस-वैलिडेशन का उपयोग करके डेटा को प्रशिक्षण और परीक्षण नमूनों में विभाजित करना
- रेखीय प्रतिगमन मॉडल का उपयोग करके प्रशिक्षण और परीक्षण करना
महत्वपूर्ण अवधारणाएं
रेखीय प्रतिगमन एक प्रकार का मशीन लर्निंग मॉडल है जो डेटा के बीच संबंधों को खोजने के लिए उपयोग किया जाता है। डेटा को स्केल करना महत्वपूर्ण है क्योंकि यह मॉडल की सटीकता और प्रसंस्करण गति को बढ़ाता है। क्रॉस-वैलिडेशन एक तकनीक है जो डेटा को प्रशिक्षण और परीक्षण नमूनों में विभाजित करने के लिए उपयोग की जाती है, जिससे मॉडल की सटीकता का आकलन किया जा सकता है।
कोड उदाहरण
import numpy as NP
यह कोड नम्पी लाइब्रेरी को आयात करता है, जो एक शक्तिशाली गणना लाइब्रेरी है।
from Sk learn import Pre-processing
यह कोड प्री-प्रोसेसिंग लाइब्रेरी को आयात करता है, जो डेटा को स्केल करने के लिए उपयोग की जाती है।
classifier = LinearRegression()
यह कोड रेखीय प्रतिगमन मॉडल को परिभाषित करता है।
पाठ सारांश
इस पाठ में, हमने रेखीय प्रतिगमन मॉडल का उपयोग करके प्रशिक्षण और परीक्षण करने के बारे में सीखा। हमने डेटा को स्केल करने और क्रॉस-वैलिडेशन का उपयोग करके डेटा को प्रशिक्षण और परीक्षण नमूनों में विभाजित करने के बारे में भी सीखा। हमने रेखीय प्रतिगमन मॉडल को परिभाषित करने और इसे प्रशिक्षित करने के लिए कोड का उपयोग किया। इस पाठ के माध्यम से, आप रेखीय प्रतिगमन मॉडल का उपयोग करके डेटा का विश्लेषण करने और भविष्यवाणी करने के लिए तैयार होंगे।
अभ्यास व्यायाम
एक डेटासेट लें और इसे प्रशिक्षण और परीक्षण नमूनों में विभाजित करने के लिए क्रॉस-वैलिडेशन का उपयोग करें। फिर, रेखीय प्रतिगमन मॉडल का उपयोग करके प्रशिक्षण और परीक्षण करें और परिणामों का विश्लेषण करें।
आगे क्या है
अब आप रेखीय प्रतिगमन मॉडल का उपयोग करके डेटा का विश्लेषण करने के लिए तैयार हैं। अगले पाठ में, हम सUPPORT वेक्टर मशीनें (SVM) के बारे में सीखेंगे, जो एक अन्य प्रकार का मशीन लर्निंग मॉडल है।
Go deeper on Python के साथ Machine Learning
Hand-picked books and tools our learners actually use. Affiliate-supported — same price for you, supports free lessons.