X = df y = target[“MEDV”]

X = df y = target[“MEDV”]

X = df y = target[“MEDV”]

Va yaratilganmodelni olamiz:

lm = linear_model.LinearRegression() model = lm.fit(X,y)

lm.fit () funksiyasi chiziqli modelga mos keladi. Biz bashorat qilish uchun modeldan foydalanmoqchimiz, Shuning uchun biz lm.predict () dan foydalanamiz:

predictions = lm.predict(X) print(predictions)[0:5]

Chop etish funksiyasi y uchun dastlabki 5 ta bashoratni chop etadi (men “joyni tejash” uchun butun roʻyxatni chop qilmadim. [0: 5] olib tashlansa, butun roʻyxat chop etiladi):

1. Eng kichik kvadratlar usuli. Regressiya tenglamasi

1. Eng kichik kvadratlar usuli. Regressiya tenglamasi

Ko’pincha  tasodifiy miqdor ustida ko’zatish olib borish natijasida hosil qilingan x1,x2,...xn miqdorga boshqa  tasodifiy miqdorning ta’sirini o’rganishga to’g’ri keladi. Agar  tasodifiy miqdorning har bir qiymatiga biror qonun asosida  tasodifiy miqdorning aniq qiymati mos kelsa, u holda  va  orasidagi munosabat statistik yoki korrelyasion munosabat deyiladi va uni =() kabi belgilanadi. Bu yerda - munosabat. Aytaylik,  va  tasodifiy miqdorlar ustida ko’zatish olib borilgan bo’lib, ko’zatish natijalari mos ravishda x1,x2,. . .xn, va y1,y2,. . .yn, lardan iborat bo’lsin, u holda  va  orasidagi - munosabatni 5.1-jadval ko’rinishda ifodalash mumkin:

Korrelyatsion munosabat to’g’ri, teskari, to’g’ri chiziqli, egri chiziqli va boshqa turlarda bog’langan bo’lishi mumkin. Biz  va  orasidagi statistik munosabat chiziqli (to’g’ri chiziqli) bo’lgan holni qaraymiz. Aniqrog’i  =x, =y deb qarab x ning o’zgarishiga qarab y ni va y ning o’zgarishiga qarab x ni aniqlash masalasini qarab chiqaylik. Bu bog’lanish to’g’ri chiziqli hol bo’lgani uchun yx=kx+b ko’rinishda qidirish mumkin. Bu yerda k va b lar noomalum parametrlar bo’lib, ularni “eng kichik kvadratlar usuli”dan foydalanib topamiz. “eng kichik kvadratlar usuli” ga ko’ra, agar y1,y2,,....yn ko’zatish natijalaridan iborat bo’lib, bu qiymatlar bilan yx ning x1,x2,. . .xn larga mos keluvchi qiymatlari orasidagi ayirmalar kvadratlarining yig’indisi eng kichik bo’lsa, yaxshi natijaga erishgan bo’ladi.