🧑💻 Всем здарова, начинаем воркать!
⚙️ Для начала, попробуем тривиальное преобразование y = x, затем x² и x³. После преобразований, нарисуем график, представляющий собой сумму 0.1x + 2.5x² + 0.5x³ — сложим функции с разными коэффициентами, за работу!
✅ Получили тривиальную зависимость y = x
Полиномиальная регрессия — это метод регрессионного анализа, который используется для моделирования нелинейных зависимостей между независимой переменной x и зависимой переменной y. В отличие от линейной регрессии, где зависимость моделируется прямой линией, полиномиальная регрессия использует полиномы (например, квадратичные, кубические или более высоких степеней) для описания данных.
⚙️ Для начала, попробуем тривиальное преобразование y = x, затем x² и x³. После преобразований, нарисуем график, представляющий собой сумму 0.1x + 2.5x² + 0.5x³ — сложим функции с разными коэффициентами, за работу!
from matplotlib import pyplot as plt
import numpy as np
x =np.linspace(-10, 10, num = 100)
y = x
plt.plot(x, y)
plt.show()
✅ Получили тривиальную зависимость y = x
⚙️ Тривиальное преобразование y = x — это простейшая форма зависимости, где значение y напрямую равно значению x
🥰2👍1🤯1👨💻1
📈 Теперь парабола — это вторая степень (или квадратичная зависимость)
⚙️ Как вы заметили, y здесь не используется, можно его добавить и код будет выглядеть так:
from matplotlib import pyplot as plt
import numpy as np
x = np.linspace(-10, 10, num = 100)
y = x * x
plt.plot(x, y)
plt.show()
⚙️ Как вы заметили, y здесь не используется, можно его добавить и код будет выглядеть так:
from matplotlib import pyplot as plt
import numpy as np
x = np.linspace(-10, 10, num=100)
y = x * x x^2
plt.plot(x, y)
plt.show()
🥰2❤🔥1👍1🤯1🤓1
В конце декабря 2024 года китайцы тихонько выкатывают DeepSeek-V3. Сразу о ней пишут мало, но спустя пару недель люди начинают понимать, что это бомба замедленного действия.
Середина января 2025 года. Дональд Трамп легким движением руки подписывает указ о снятии всех ограничении на развитие искусственного интеллекта и на весь мир заявляет о вливании $500 млрд в развитие отечественных нейросетей.
Эхо от его речей быстро дошло до Поднебесной и спустя пару дней один из крупнейших банков Китая делает мощную денежную инъекцию ($140 млрд) в развитие местной передовой ИИ-системы.
27 января красный дракон нанес мощный удар по белоголовому орлу: успех DeepSeek спровоцировал обвал фондового рынка США на $1 трлн., а акции Nvidia таяли на глазах — Хуанг лишился $600 млрд.
В ночь с 27 на 28 января в битву вступил Alibaba со своей моделью Qwen2.5-VL — универсальный солдат, способный выполнять множество задач на приемлемом уровне.
Вечером 28 января инфополе заполнила еще одна нейрока QWEN-MAX от Alibaba, которая умеет все и на бенчмарках уничтожает даже DeepSeek.
Сэм Альтман в Твиттере написал, что его впечатлила DeepSeek, но «OpenAI, ОЧЕВИДНО, будет поставлять гораздо лучшие модели». Что ж, на словах он Лев Толстой.
❤🔥2❤1
🧑💻⚙️ Друзья, добрый вечер! Нашел я для вас прикольный код, начнем же разбирать!
⚙️ Импортируем привычные библиотеки (почти):
🔗 Хорошо, половину мы уже знаем, разберем неизвестные:
📈 У нас что-то новенькое — функция для разделения данных на обучающую и тестовую выборки:
⚙️ Следующая библиотека — как раз наша полиномиальная регрессия (библиотека ниже преобразует данные в полиномиальные признаки (квадраты кубы, их мы рассматривали на этих днях))
🔗 Еще импортируем метрику качества r2_score, но ее мы уже прошли:
⚙️ Импортируем привычные библиотеки (почти):
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
from sklearn.metrics import r2_score
🔗 Хорошо, половину мы уже знаем, разберем неизвестные:
📈 У нас что-то новенькое — функция для разделения данных на обучающую и тестовую выборки:
from sklearn.model_selection import train_test_split
⚙️ Следующая библиотека — как раз наша полиномиальная регрессия (библиотека ниже преобразует данные в полиномиальные признаки (квадраты кубы, их мы рассматривали на этих днях))
from sklearn.preprocessing import PolynomialFeatures
🔗 Еще импортируем метрику качества r2_score, но ее мы уже прошли:
from sklearn.metrics import r2_score
❤🔥2❤1🤓1👀1
X = 6 * np.random.rand(200, 1) - 3
y = 0.8 * X**2 + 0.9 * X + 2 + np.random.randn(200, 1)
🔗 В X создаем массив из 200 случайных чисел от -3 до 3
🔗 y — зависимая переменная (также создаем двумерный массив 200 на 1)
plt.plot(X, y, 'b.')
plt.xlabel('X')
plt.ylabel('y')
plt.show()
завтра продолжим ...
Please open Telegram to view this post
VIEW IN TELEGRAM
🤯3🤓1👀1
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=2)
model = LinearRegression()
model.fit(x_train, y_train)
y_pred = model.predict(x_test)
print(r2_score(y_test, y_pred))
plt.plot(x_train, model.predict(x_train), color = 'red')
plt.plot(X, y, 'b.')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2🤯1🤓1
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegram
CodeLab
Проголосуйте за канал, чтобы он получил больше возможностей.
❤🔥2🥰1🤡1🤓1👨💻1👀1
import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import PolynomialFeatures #Импортирует класс PolynomialFeatures; преобразование входных данных в полиномиальные признаки (возведение исходных признаков в разные степени)
from sklearn.linear_model import LinearRegression
np.random.seed(0) #Начальное значение
x = np.random.rand(100, 1) * 10 # массив x из 100 случайных чисел, равномерно распределенных в диапазоне от 0 до 1
y = 2.5 * x**2 - 3 * x + 5 + np.random.randn(100, 1) * 5 #Создает зависимость, добавляя случайный шум (нормальное распределение = 5
poly = PolynomialFeatures(degree=2) # Степень полинома
x_poly = poly.fit(x) #Применяет преобразование к данным x, кароч теперь x_poly содержит полиномиальные обученные данные
model = LinearRegression()
model.fit(x_poly, y)
x_fit = np.arange(0, 10, 0.1).reshape(-1, 1)
x_fit_poly = poly.transform(x_fit)
y_fit = model.predict(x_fit_poly)
📊 Визуал
plt.scatter(x, y, color='blue', label='Данные')
plt.plot(x_fit, y_fit, color='red', label='Полиномиальная регрессия')
plt.title('Полиномиальная регрессия')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2 1 1 1
CodeLab
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split #Разделение выборки
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
from sklearn.metrics import r2_score, mean_absolute_error, mean_squared_error
X = 6 * np.random.rand(200, 1) - 3
y = 0.8 * X**2 + 0.9 * X + 2 + np.random.randn(200, 1)
plt.plot(X, y, 'b.')
plt.xlabel('X')
plt.ylabel('y')
plt.title('Исходные данные')
plt.show()
Please open Telegram to view this post
VIEW IN TELEGRAM
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state = 0.42)
poly = PolynomialFeatures(degree=2, include_bias=False)
x_train_transformed = poly.fit_transform(x_train)
x_test_transformed = poly.transform(x_test)
Please open Telegram to view this post
VIEW IN TELEGRAM
Никакой цензуры
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegram
CodeLab
Проголосуйте за канал, чтобы он получил больше возможностей.
x_train_transformed = poly.fit_transform(x_train) # Обучается на тренировачных данных и сразу применяет преобразование ()
x_test_transformed = poly.transform(x_test) #
model = LinearRegression()
model.fit(x_train_transformed, y_train)
poly = PolynomialFeatures(degree=2, include_bias=False)
[[1, 1], Первый столбец — исходные значения
[2, 4], Второй столбец — X² (Квадрат исходных значений)
[3, 9]]
w₀ — intercept (свободный член). это значение y, когда все признаки X, X² равны нулю, отвечает за смещение модели вдоль оси y, вверх или вниз
w₁ — коэффициент для X, показывает, как y изменяется при изменении X (отвечает за наклон, линейность зависимости)
w₂ — коэффициент для X², показывает, как y изменяется при изменении X² (отвечает за кривизну (нелинейность зависимости)
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM