The latest articles on DEV Community by Jomjamcsd (@jomjamcsd). https://dev.to/jomjamcsd https://media2.dev.to/dynamic/image/width=90,height=90,fit=cover,gravity=auto,format=auto/https:%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Fuser%2Fprofile_image%2F1418814%2Ff38e2776-bd5e-4fff-897e-d90671f6685f.png https://dev.to/jomjamcsd en Jomjamcsd Sat, 13 Apr 2024 18:26:21 +0000 https://dev.to/jomjamcsd/withiikaarsraangalkrithuemthiikhaadkaarnraakhaabaanainnaakhtodyaich-scikit-learn-and-linear-regression-3ceg https://dev.to/jomjamcsd/withiikaarsraangalkrithuemthiikhaadkaarnraakhaabaanainnaakhtodyaich-scikit-learn-and-linear-regression-3ceg <p>ถ้าเราต้องการจะทำนายสิ่งต่าง ๆ ในอนาคต อาทิเช่น การทํานายอนาคตของประกรโลก ราคาทอง ราคาหุ้น ราคา bitcoin และผลกําไรทางธุรกิจของคุณ เรามีวิธีใน<br> การสร้างอัลกอริทึมสำหรับใช้ในการทำนายอนาคตโดยใช้ PYTHON มาเป็นตัวช่วยของเรา</p> <p>บทความนี้ เราจะมาดูการสร้างอัลกอริทึมสำหรับใช้ในการทำนายอนาคตใน Python กัน ซึ่งใช้ Google Colab เป็นการรันชุดคำสั่งต่าง ๆและมีการใช้สูตรทางคณิตศาสตร์มาเกี่ยวข้อง</p> <p>ซึ่งมีวิธีการและขั้นตอนในการสร้างอัลกอริทึม ดังต่อไปนี้</p> <h2> ขั้นตอนที่ 1 ติดตั้งไลบรารี </h2> <p>ขั้นตอนแรกต้องติดตั้งไลบรารี ช่วยให้เรียกใช้ไลบรารี Machine Learning ได้อย่างง่ายดาย ซึ่งสามารถติดตั้งไลบรารี โดยใช้<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline </code></pre> </div> <h2> ขั้นตอนที่ 2 โหลดชุดข้อมูล </h2> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>USAhousing = pd.read_csv('USA_Housing.csv') </code></pre> </div> <p>การประมวลผลข้อมูลล่วงหน้า ใช้ฟังก์ชัน .head() ในไลบรารี Python เช่น Pandas เพื่อดูแถวเริ่มต้นของชุดข้อมูลอย่างรวดเร็ว ข้อมูลนี้จะแสดงภาพรวมของโครงสร้างข้อมูล ชื่อตัวแปร และรายการแรกๆ<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>USAhousing.head() </code></pre> </div> <p>ใช้ฟังก์ชัน .info() เพื่อรับภาพรวมย่อยของชุดข้อมูล ซึ่งรวมถึงประเภทข้อมูล จำนวนค่าที่ไม่ใช่ null และการใช้หน่วยความจำ<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>USAhousing.info() </code></pre> </div> <p>ใช้ .describe() เพื่อสร้างสถิติที่เป็นคำอธิบาย เช่นค่าเฉลี่ย ค่าเบี่ยงเบนมาตรฐาน และควอไทล์ เพื่อให้เข้าใจลึกลงเกี่ยวกับคุณสมบัติตัวเลขในชุดข้อมูล<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>USAhousing.describe() </code></pre> </div> <h2> ขั้นตอนที่ 3: การสร้างกราฟ </h2> <p>การใช้ plt.scatter() ใช้สำหรับสร้างการกระจายของข้อมูล<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>plt.scatter(USAhousing['Avg. Area Income'],USAhousing['Price']) </code></pre> </div> <p><a href="https://media.dev.to/cdn-cgi/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fw7kdzecrcglby4dyofs6.png" class="article-body-image-wrapper"><img src="https://media.dev.to/cdn-cgi/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fw7kdzecrcglby4dyofs6.png" alt="Image description" width="547" height="428"></a></p> <h2> การฝึกโมเดล </h2> <p>ในบทนี้เราทำนายราคาบ้านโดยใช้ Linear Regression การฝึกโมเดลมีขั้นตอนดังนี้</p> <h2> ขั้นตอนที่ 1: การรับค่าของตัวแปรอิสระและตัวแปรตาม </h2> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>X = USAhousing[['Avg. Area Income', 'Avg. Area House Age', 'Avg. Area Number of Rooms', 'Avg. Area Number of Bedrooms', 'Area Population']] y = USAhousing['Price'] </code></pre> </div> <h2> ขั้นตอนที่ 2: แยกข้อมูล </h2> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>from sklearn.model_selection import train_test_split </code></pre> </div> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=101) </code></pre> </div> <h2> ขั้นตอนที่ 3: นำเข้าข้อมูลและฝึกกับโมเดล </h2> <p>เมื่อทดลองโมเดลแล้ว นำชุดโมเดลนั้นเพื่อคาดการร์ชุดทดสอบ<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>from sklearn.linear_model import LinearRegression </code></pre> </div> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>lm = LinearRegression() </code></pre> </div> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>lm.fit(X_train,y_train) </code></pre> </div> <p>ทอลองหาผลลัพธ์กัน<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>predictions = lm.predict(X_test) </code></pre> </div> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>plt.scatter(y_test,predictions) </code></pre> </div> <p>จากนั้นก็มาดูกราฟกัน</p> <h2> <img src="https://media.dev.to/cdn-cgi/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F07ili3ri76pnmcg4zq3n.png" alt="Image description" width="547" height="446"> </h2> <h2> สรุปผล </h2> <p>จากการสร้างอัลกอริทึมจะเห็นได้ว่า ถ้าเราต้องการสร้างอัลกอริทึมเพื่อทำนายอนาคตสิ่งต่าง ๆ ในอนาคตนั้น สิ่งหนึ่งที่สำคัญที่สุดที่จะทำให้อัลกอริทึมที่เราสร้างขึ้นมาสามารถทำนายอนาคตได้ คือ สถิติของข้อมูลย้อนหลัง ที่จะเป็นสิ่งสำคัญที่ช่วยทำให้อัลกอริทึมของเราสามารถทำนายผลต่าง ๆ ล่วงหน้าได้ผ่านปัญญาประดิษฐ์ (AI) ที่อยู่ในชุดคำสั่ง PYTHON ของอัลกอริทึมดังกล่าวที่เราได้เรียบเรียงสร้างขึ้นในข้างต้นได้เป็นอย่างดีและเกิดประโยชน์สูงสุดทั้งในปัจจุบันและในอนาคตต่อไป</p> <h2> Reference </h2> <p>[(<a href="https://medium.com/@kaushiksimran827/house-price-prediction-a-simple-guide-with-scikit-learn-and-linear-regression-f91a27b9d650)">https://medium.com/@kaushiksimran827/house-price-prediction-a-simple-guide-with-scikit-learn-and-linear-regression-f91a27b9d650)</a>]</p> python ai