Á¤¼ºÈÆ
    linear_reg2
linear_reg2.py [1 KB]   linear_reg2.png [21 KB]  




1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
import matplotlib.pylab as plt
from sklearn import linear_model
 
# ¼±Çü È¸±Í ¸ðµ¨À» »ý¼ºÇÑ´Ù. 
reg = linear_model.LinearRegression()
 
# µ¥ÀÌÅʹ ÆÄÀ̽ãÀÇ ¸®½ºÆ®·Î ¸¸µé¾îµµ µÇ°í ¾Æ´Ï¸é ³ÑÆÄÀÌÀÇ ¹è¿­·Î ¸¸µé¾îµµ µÊ
= [[0], [1], [2]]        # 2Â÷¿øÀ¸·Î ¸¸µé¾î¾ß ÇÔ
= [33.55.5]        # y = x + 3
 
# ÇнÀÀ» ½ÃŲ´Ù. 
reg.fit(X, y)    
# ÇнÀ µ¥ÀÌÅÍ¿Í y °ªÀ» »êÆ÷µµ·Î ±×¸°´Ù. 
plt.scatter(X, y, color='black')
 
# ÇнÀ µ¥ÀÌÅ͸¦ ÀÔ·ÂÀ¸·Î ÇÏ¿© ¿¹Ãø°ªÀ» °è»êÇÑ´Ù.
y_pred = reg.predict(X)
 
# ÇнÀ µ¥ÀÌÅÍ¿Í ¿¹Ãø°ªÀ¸·Î ¼±±×·¡ÇÁ·Î ±×¸°´Ù. 
# °è»êµÈ ±â¿ï±â¿Í y ÀýÆíÀ» °¡Áö´Â Á÷¼±ÀÌ ±×·ÁÁø´Ù. 
plt.plot(X, y_pred, color='blue', linewidth=3)        
plt.show()
cs

  µî·ÏÀÏ : 2020-08-02 [02:39] Á¶È¸ : 200 ´Ù¿î : 145   
 
¡â ÀÌÀü±Û(10Àå) ¼±Çü ȸ±Í
¡ä ´ÙÀ½±Ûlab2
ÀΰøÁö´É ½Ç½À
¹øÈ£ ¨Ï Á¦ ¸ñ À̸§
ÀΰøÁö´É (õÀα¹ Àú) ÄÚµå
¨ÕÆÄÀÌÅäÄ¡ ù°ÉÀ½ (ÃÖ°ÇÈ£ Àú) ÄÚµå
19    ¦¦❷ perceptron1 Á¤¼ºÈÆ
18 ¦¦❶ (11Àå) kNN ¾Ë°í¸®Áò°ú K-means ¾Ë°í¸®Áò Á¤¼ºÈÆ
17    ¦¦❷ lab1 Á¤¼ºÈÆ
16    ¦¦❷ kmeans2 Á¤¼ºÈÆ
15    ¦¦❷ kmeans1 Á¤¼ºÈÆ
14    ¦¦❷ knn2 Á¤¼ºÈÆ
13    ¦¦❷ knn Á¤¼ºÈÆ
12 ¦¦❶ (10Àå) ¼±Çü ȸ±Í Á¤¼ºÈÆ
11    ¦¦❷ linear_reg2 Á¤¼ºÈÆ
10    ¦¦❷ lab2 Á¤¼ºÈÆ
9    ¦¦❷ lab1 Á¤¼ºÈÆ
8 ¦¦❶ (8Àå) À¯ÀüÀÚ ¾Ë°í¸®Áò Á¤¼ºÈÆ
7    ¦¦❷ GA Á¤¼ºÈÆ
6    ¦¦❷ generic Á¤¼ºÈÆ
5 ¦¦❶ (3Àå) °ÔÀÓÆ®¸® Á¤¼ºÈÆ

[1][2][3][4][5][6]