ML-For-Beginners/translations/pa/2-Regression/1-Tools

ਪਾਇਥਨ ਅਤੇ Scikit-learn ਨਾਲ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲਾਂ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰੋ

ਸਕੈਚਨੋਟ Tomomi Imura ਦੁਆਰਾ

ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼

ਇਹ ਪਾਠ R ਵਿੱਚ ਉਪਲਬਧ ਹੈ!

ਪਰਿਚਯ

ਇਨ੍ਹਾਂ ਚਾਰ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਸੀਂ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਉਣ ਦੇ ਤਰੀਕੇ ਸਿੱਖੋਗੇ। ਅਸੀਂ ਜਲਦੀ ਹੀ ਇਸ ਬਾਰੇ ਚਰਚਾ ਕਰਾਂਗੇ ਕਿ ਇਹ ਕਿਉਂ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਪਰ ਕੁਝ ਵੀ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਸਹੀ ਟੂਲਸ ਹਨ ਤਾਂ ਜੋ ਪ੍ਰਕਿਰਿਆ ਸ਼ੁਰੂ ਕੀਤੀ ਜਾ ਸਕੇ!

ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ:

• ਆਪਣੀ ਕੰਪਿਊਟਰ ਨੂੰ ਸਥਾਨਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕਾਰਜਾਂ ਲਈ ਕਨਫਿਗਰ ਕਰਨਾ।
• Jupyter ਨੋਟਬੁੱਕਸ ਨਾਲ ਕੰਮ ਕਰਨਾ।
• Scikit-learn ਵਰਤਣਾ, ਜਿਸ ਵਿੱਚ ਇੰਸਟਾਲੇਸ਼ਨ ਸ਼ਾਮਲ ਹੈ।
• ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਦੀ ਪੜਚੋਲ ਕਰਨਾ ਇੱਕ ਹੱਥ-ਅਭਿਆਸ ਦੇ ਨਾਲ।

ਇੰਸਟਾਲੇਸ਼ਨ ਅਤੇ ਕਨਫਿਗਰੇਸ਼ਨ

🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ 'ਤੇ ਕਲਿਕ ਕਰੋ ਇੱਕ ਛੋਟੀ ਵੀਡੀਓ ਦੇਖਣ ਲਈ ਜੋ ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ ਨੂੰ ML ਲਈ ਕਨਫਿਗਰ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦਿਖਾਉਂਦੀ ਹੈ।

1. ਪਾਇਥਨ ਇੰਸਟਾਲ ਕਰੋ। ਯਕੀਨੀ ਬਣਾਓ ਕਿ Python ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ 'ਤੇ ਇੰਸਟਾਲ ਹੈ। ਤੁਸੀਂ ਪਾਇਥਨ ਨੂੰ ਕਈ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕਾਰਜਾਂ ਲਈ ਵਰਤੋਂਗੇ। ਜ਼ਿਆਦਾਤਰ ਕੰਪਿਊਟਰ ਸਿਸਟਮਾਂ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਪਾਇਥਨ ਇੰਸਟਾਲ ਹੁੰਦਾ ਹੈ। ਕੁਝ ਉਪਯੋਗ Python Coding Packs ਵੀ ਉਪਲਬਧ ਹਨ, ਜੋ ਕੁਝ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਸੈਟਅਪ ਨੂੰ ਆਸਾਨ ਬਣਾਉਂਦੇ ਹਨ।

   ਹਾਲਾਂਕਿ, ਪਾਇਥਨ ਦੇ ਕੁਝ ਉਪਯੋਗਤਾਵਾਂ ਨੂੰ ਸੌਫਟਵੇਅਰ ਦੇ ਇੱਕ ਵਰਜਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਦਕਿ ਹੋਰਾਂ ਨੂੰ ਵੱਖਰੇ ਵਰਜਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਕਾਰਨ, ਇੱਕ ਵਰਚੁਅਲ ਵਾਤਾਵਰਣ ਵਿੱਚ ਕੰਮ ਕਰਨਾ ਲਾਭਦਾਇਕ ਹੁੰਦਾ ਹੈ।

2. Visual Studio Code ਇੰਸਟਾਲ ਕਰੋ। ਯਕੀਨੀ ਬਣਾਓ ਕਿ Visual Studio Code ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ 'ਤੇ ਇੰਸਟਾਲ ਹੈ। Visual Studio Code ਨੂੰ ਬੇਸਿਕ ਇੰਸਟਾਲੇਸ਼ਨ ਲਈ ਇੰਸਟਾਲ ਕਰਨ ਦੇ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ। ਤੁਸੀਂ ਇਸ ਕੋਰਸ ਵਿੱਚ Visual Studio Code ਵਿੱਚ ਪਾਇਥਨ ਵਰਤੋਂਗੇ, ਇਸ ਲਈ ਤੁਸੀਂ Visual Studio Code ਨੂੰ ਪਾਇਥਨ ਵਿਕਾਸ ਲਈ ਕਨਫਿਗਰ ਕਰਨ ਦੇ ਤਰੀਕੇ 'ਤੇ ਧਿਆਨ ਦੇ ਸਕਦੇ ਹੋ।

   ਪਾਇਥਨ ਨਾਲ ਆਰਾਮਦਾਇਕ ਹੋ ਜਾਓ ਇਸ ਸੰਗ੍ਰਹਿ ਦੇ ਨਾਲ ਕੰਮ ਕਰਕੇ Learn modules

   

   🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ 'ਤੇ ਕਲਿਕ ਕਰੋ ਇੱਕ ਵੀਡੀਓ ਦੇਖਣ ਲਈ: VS Code ਵਿੱਚ ਪਾਇਥਨ ਵਰਤਣਾ।

3. Scikit-learn ਇੰਸਟਾਲ ਕਰੋ, ਇਹ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਪਾਲਣਾ ਕਰਕੇ। ਕਿਉਂਕਿ ਤੁਹਾਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੈ ਕਿ ਤੁਸੀਂ ਪਾਇਥਨ 3 ਵਰਤ ਰਹੇ ਹੋ, ਇਹ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਤੁਸੀਂ ਇੱਕ ਵਰਚੁਅਲ ਵਾਤਾਵਰਣ ਵਰਤੋਂ। ਨੋਟ ਕਰੋ, ਜੇ ਤੁਸੀਂ M1 Mac 'ਤੇ ਇਹ ਲਾਇਬ੍ਰੇਰੀ ਇੰਸਟਾਲ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਉਪਰੋਕਤ ਲਿੰਕ ਕੀਤੇ ਪੰਨੇ 'ਤੇ ਵਿਸ਼ੇਸ਼ ਨਿਰਦੇਸ਼ ਹਨ।

4. Jupyter Notebook ਇੰਸਟਾਲ ਕਰੋ। ਤੁਹਾਨੂੰ Jupyter ਪੈਕੇਜ ਇੰਸਟਾਲ ਕਰਨ ਦੀ ਲੋੜ ਹੋਵੇਗੀ।

ਤੁਹਾਡਾ ML ਲੇਖਨ ਵਾਤਾਵਰਣ

ਤੁਸੀਂ ਨੋਟਬੁੱਕਸ ਵਰਤੋਂਗੇ ਆਪਣਾ ਪਾਇਥਨ ਕੋਡ ਵਿਕਸਿਤ ਕਰਨ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਲਈ। ਇਹ ਫਾਈਲ ਦੀ ਕਿਸਮ ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ ਲਈ ਇੱਕ ਆਮ ਟੂਲ ਹੈ, ਅਤੇ ਇਹਨਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਸੁਫਿਕਸ ਜਾਂ ਐਕਸਟੈਂਸ਼ਨ .ipynb ਦੁਆਰਾ ਪਛਾਣਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਨੋਟਬੁੱਕਸ ਇੱਕ ਇੰਟਰਐਕਟਿਵ ਵਾਤਾਵਰਣ ਹੈ ਜੋ ਵਿਕਸਿਤ ਕਰਨ ਵਾਲੇ ਨੂੰ ਕੋਡ ਲਿਖਣ ਅਤੇ ਕੋਡ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਨੋਟਸ ਅਤੇ ਦਸਤਾਵੇਜ਼ ਲਿਖਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਜੋ ਪ੍ਰਯੋਗਾਤਮਕ ਜਾਂ ਖੋਜ-ਅਧਾਰਿਤ ਪ੍ਰੋਜੈਕਟਾਂ ਲਈ ਕਾਫ਼ੀ ਮਦਦਗਾਰ ਹੁੰਦਾ ਹੈ।

🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ 'ਤੇ ਕਲਿਕ ਕਰੋ ਇੱਕ ਛੋਟੀ ਵੀਡੀਓ ਦੇਖਣ ਲਈ ਜੋ ਇਸ ਅਭਿਆਸ ਨੂੰ ਦਿਖਾਉਂਦੀ ਹੈ।

ਅਭਿਆਸ - ਨੋਟਬੁੱਕ ਨਾਲ ਕੰਮ ਕਰੋ

ਇਸ ਫੋਲਡਰ ਵਿੱਚ, ਤੁਹਾਨੂੰ ਫਾਈਲ notebook.ipynb ਮਿਲੇਗੀ।

1. notebook.ipynb ਨੂੰ Visual Studio Code ਵਿੱਚ ਖੋਲ੍ਹੋ।

   ਇੱਕ Jupyter ਸਰਵਰ ਸ਼ੁਰੂ ਹੋਵੇਗਾ ਜਿਸ ਵਿੱਚ ਪਾਇਥਨ 3+ ਸ਼ੁਰੂ ਕੀਤਾ ਗਿਆ ਹੈ। ਤੁਹਾਨੂੰ ਨੋਟਬੁੱਕ ਦੇ ਖੇਤਰ ਮਿਲਣਗੇ ਜੋ ਚਲਾਏ ਜਾ ਸਕਦੇ ਹਨ, ਕੋਡ ਦੇ ਟੁਕੜੇ। ਤੁਸੀਂ ਕੋਡ ਬਲਾਕ ਚਲਾ ਸਕਦੇ ਹੋ, ਆਈਕਨ ਨੂੰ ਚੁਣ ਕੇ ਜੋ ਇੱਕ ਪਲੇ ਬਟਨ ਵਰਗਾ ਲੱਗਦਾ ਹੈ।

2. md ਆਈਕਨ ਚੁਣੋ ਅਤੇ ਕੁਝ ਮਾਰਕਡਾਊਨ ਸ਼ਾਮਲ ਕਰੋ, ਅਤੇ ਹੇਠਾਂ ਦਿੱਤਾ ਟੈਕਸਟ # ਤੁਹਾਡੇ ਨੋਟਬੁੱਕ ਵਿੱਚ ਸਵਾਗਤ ਹੈ।

   ਅਗਲੇ, ਕੁਝ ਪਾਇਥਨ ਕੋਡ ਸ਼ਾਮਲ ਕਰੋ।

3. ਕੋਡ ਬਲਾਕ ਵਿੱਚ print('hello notebook') ਲਿਖੋ।

4. ਕੋਡ ਚਲਾਉਣ ਲਈ ਤੀਰ ਚੁਣੋ।

   ਤੁਹਾਨੂੰ ਪ੍ਰਿੰਟ ਕੀਤਾ ਬਿਆਨ ਦੇਖਣਾ ਚਾਹੀਦਾ ਹੈ:

   hello notebook
   

ਤੁਸੀਂ ਆਪਣੇ ਕੋਡ ਨੂੰ ਟਿੱਪਣੀਆਂ ਨਾਲ ਆਪ-ਦਸਤਾਵੇਜ਼ ਕਰਨ ਲਈ ਆਪਣੇ ਕੋਡ ਦੇ ਨਾਲ-ਨਾਲ ਟਿੱਪਣੀਆਂ ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹੋ।

✅ ਇੱਕ ਮਿੰਟ ਲਈ ਸੋਚੋ ਕਿ ਇੱਕ ਵੈੱਬ ਡਿਵੈਲਪਰ ਦਾ ਕੰਮ ਕਰਨ ਦਾ ਵਾਤਾਵਰਣ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਦੇ ਵਾਤਾਵਰਣ ਤੋਂ ਕਿੰਨਾ ਵੱਖਰਾ ਹੈ।

Scikit-learn ਨਾਲ ਸ਼ੁਰੂਆਤ

ਹੁਣ ਜਦੋਂ ਪਾਇਥਨ ਤੁਹਾਡੇ ਸਥਾਨਕ ਵਾਤਾਵਰਣ ਵਿੱਚ ਸੈਟਅਪ ਹੈ, ਅਤੇ ਤੁਸੀਂ Jupyter ਨੋਟਬੁੱਕਸ ਨਾਲ ਆਰਾਮਦਾਇਕ ਹੋ, ਆਓ Scikit-learn ਨਾਲ ਵੀ ਆਰਾਮਦਾਇਕ ਹੋ ਜਾਈਏ (ਇਸਨੂੰ sci ਵਾਂਗ ਉਚਾਰਨ ਕਰੋ ਜਿਵੇਂ science)। Scikit-learn ਤੁਹਾਨੂੰ ML ਕਾਰਜ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਇੱਕ ਵਿਆਪਕ API ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਉਨ੍ਹਾਂ ਦੇ ਵੈਬਸਾਈਟ ਦੇ ਅਨੁਸਾਰ, "Scikit-learn ਇੱਕ ਖੁੱਲ੍ਹੇ ਸਰੋਤ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਾਇਬ੍ਰੇਰੀ ਹੈ ਜੋ ਸਪਰਵਾਈਜ਼ਡ ਅਤੇ ਅਨਸਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ ਦਾ ਸਮਰਥਨ ਕਰਦੀ ਹੈ। ਇਹ ਮਾਡਲ ਫਿਟਿੰਗ, ਡਾਟਾ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ, ਮਾਡਲ ਚੋਣ ਅਤੇ ਮੁਲਾਂਕਣ, ਅਤੇ ਹੋਰ ਕਈ ਯੂਟਿਲਿਟੀਜ਼ ਲਈ ਵੱਖ-ਵੱਖ ਟੂਲਸ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ।"

ਇਸ ਕੋਰਸ ਵਿੱਚ, ਤੁਸੀਂ Scikit-learn ਅਤੇ ਹੋਰ ਟੂਲਸ ਵਰਤੋਂਗੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਜੋ ਅਸੀਂ 'ਪ੍ਰੰਪਰਾਗਤ ਮਸ਼ੀਨ ਲਰਨਿੰਗ' ਕਾਰਜ ਕਹਿੰਦੇ ਹਾਂ। ਅਸੀਂ ਜਾਨਬੁੱਝ ਕੇ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਅਤੇ ਡੀਪ ਲਰਨਿੰਗ ਤੋਂ ਬਚੇ ਹਾਂ, ਕਿਉਂਕਿ ਇਹ ਸਾਡੇ ਆਉਣ ਵਾਲੇ 'AI for Beginners' ਕਰਿਕੁਲਮ ਵਿੱਚ ਵਧੀਆ ਢੰਗ ਨਾਲ ਕਵਰ ਕੀਤੇ ਗਏ ਹਨ।

Scikit-learn ਮਾਡਲ ਬਣਾਉਣ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਵਰਤਣ ਲਈ ਮੁਲਾਂਕਣ ਕਰਨਾ ਸੌਖਾ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਮੁੱਖ ਤੌਰ 'ਤੇ ਸੰਖਿਆਤਮਕ ਡਾਟਾ ਵਰਤਣ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰਦਾ ਹੈ ਅਤੇ ਸਿੱਖਣ ਦੇ ਟੂਲਸ ਵਜੋਂ ਵਰਤਣ ਲਈ ਕਈ ਤਿਆਰ-ਕੀਤੇ ਡਾਟਾਸੈਟਸ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। ਇਹ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਅਗਲੇ ਤੋਂ ਤਿਆਰ ਮਾਡਲ ਵੀ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। ਆਓ ਪਹਿਲਾਂ Scikit-learn ਦੇ ਨਾਲ ਕੁਝ ਬੁਨਿਆਦੀ ਡਾਟਾ ਵਰਤ ਕੇ ਪ੍ਰੀ-ਪੈਕਡ ਡਾਟਾ ਲੋਡ ਕਰਨ ਅਤੇ ਇੱਕ ਬਣਾਏ ਗਏ ਐਸਟੀਮੇਟਰ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਪੜਚੋਲ ਕਰੀਏ।

ਅਭਿਆਸ - ਤੁਹਾਡਾ ਪਹਿਲਾ Scikit-learn ਨੋਟਬੁੱਕ

ਇਹ ਟਿਊਟੋਰਿਅਲ Scikit-learn ਦੀ ਵੈਬਸਾਈਟ 'ਤੇ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਉਦਾਹਰਨ ਤੋਂ ਪ੍ਰੇਰਿਤ ਸੀ।

🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ 'ਤੇ ਕਲਿਕ ਕਰੋ ਇੱਕ ਛੋਟੀ ਵੀਡੀਓ ਦੇਖਣ ਲਈ ਜੋ ਇਸ ਅਭਿਆਸ ਨੂੰ ਦਿਖਾਉਂਦੀ ਹੈ।

ਨੋਟਬੁੱਕ.ipynb ਫਾਈਲ ਵਿੱਚ ਜੋ ਇਸ ਪਾਠ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ, ਸਾਰੇ ਸੈਲਜ਼ ਨੂੰ 'ਟ੍ਰੈਸ਼ ਕੈਨ' ਆਈਕਨ ਦਬਾ ਕੇ ਸਾਫ਼ ਕਰੋ।

ਇਸ ਭਾਗ ਵਿੱਚ, ਤੁਸੀਂ Scikit-learn ਵਿੱਚ ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼ਾਂ ਲਈ ਬਣਾਏ ਗਏ ਡਾਇਬਟੀਜ਼ ਬਾਰੇ ਇੱਕ ਛੋਟੇ ਡਾਟਾਸੈਟ ਨਾਲ ਕੰਮ ਕਰੋਗੇ। ਕਲਪਨਾ ਕਰੋ ਕਿ ਤੁਸੀਂ ਡਾਇਬਟੀਜ਼ ਮਰੀਜ਼ਾਂ ਲਈ ਇੱਕ ਇਲਾਜ ਦੀ ਜਾਂਚ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਤੁਹਾਨੂੰ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਕਿਹੜੇ ਮਰੀਜ਼ ਇਲਾਜ ਲਈ ਵਧੀਆ ਪ੍ਰਤੀਕ੍ਰਿਆ ਦੇਣਗੇ, ਚਰਾਂ ਦੇ ਸੰਯੋਜਨਾਂ ਦੇ ਆਧਾਰ 'ਤੇ। ਜਦੋਂ ਦ੍ਰਿਸ਼ਮਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇੱਕ ਬਹੁਤ ਹੀ ਬੁਨਿਆਦੀ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਵੀ ਚਰਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦਿਖਾ ਸਕਦਾ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਆਪਣੇ ਸਿਧਾਂਤਕ ਕਲੀਨਿਕਲ ਟ੍ਰਾਇਲਜ਼ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ।

✅ ਰਿਗ੍ਰੈਸ਼ਨ ਦੇ ਕਈ ਤਰੀਕੇ ਹਨ, ਅਤੇ ਤੁਸੀਂ ਕਿਹੜਾ ਚੁਣਦੇ ਹੋ ਇਹ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਕਿਹੜਾ ਜਵਾਬ ਲੱਭ ਰਹੇ ਹੋ। ਜੇ ਤੁਸੀਂ ਕਿਸੇ ਦਿੱਤੇ ਉਮਰ ਦੇ ਵਿਅਕਤੀ ਲਈ ਸੰਭਾਵਿਤ ਉਚਾਈ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਵਰਤੋਂਗੇ, ਕਿਉਂਕਿ ਤੁਸੀਂ ਇੱਕ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਲੱਭ ਰਹੇ ਹੋ। ਜੇ ਤੁਸੀਂ ਇਹ ਪਤਾ ਲਗਾਉਣ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਦੇ ਹੋ ਕਿ ਕੀ ਕਿਸੇ ਕਿਸਮ ਦੇ ਖਾਣੇ ਨੂੰ ਸ਼ਾਕਾਹਾਰੀ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜਾਂ ਨਹੀਂ, ਤਾਂ ਤੁਸੀਂ ਸ਼੍ਰੇਣੀ ਅਸਾਈਨਮੈਂਟ ਲੱਭ ਰਹੇ ਹੋ, ਇਸ ਲਈ ਤੁਸੀਂ ਲੌਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਵਰਤੋਂਗੇ। ਤੁਸੀਂ ਬਾਅਦ ਵਿੱਚ ਲੌਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਬਾਰੇ ਹੋਰ ਸਿੱਖੋਗੇ। ਡਾਟਾ ਤੋਂ ਕੁਝ ਸਵਾਲ ਪੁੱਛਣ ਬਾਰੇ ਸੋਚੋ, ਅਤੇ ਇਹਨਾਂ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਕਿਹੜਾ ਵਧੀਆ ਹੋਵੇਗਾ।

ਆਓ ਇਸ ਕਾਰਜ 'ਤੇ ਸ਼ੁਰੂਆਤ ਕਰੀਏ।

ਲਾਇਬ੍ਰੇਰੀਜ਼ ਇੰਪੋਰਟ ਕਰੋ

ਇਸ ਕਾਰਜ ਲਈ ਅਸੀਂ ਕੁਝ ਲਾਇਬ੍ਰੇਰੀਜ਼ ਇੰਪੋਰਟ ਕਰਾਂਗੇ:

• matplotlib। ਇਹ ਇੱਕ ਉਪਯੋਗ ਗ੍ਰਾਫਿੰਗ ਟੂਲ ਹੈ ਅਤੇ ਅਸੀਂ ਇਸਨੂੰ ਲਾਈਨ ਪਲਾਟ ਬਣਾਉਣ ਲਈ ਵਰਤੋਂਗੇ।
• numpy। numpy ਪਾਇਥਨ ਵਿੱਚ ਸੰਖਿਆਤਮਕ ਡਾਟਾ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਇੱਕ ਉਪਯੋਗ ਲਾਇਬ੍ਰੇਰੀ ਹੈ।
• sklearn। ਇਹ Scikit-learn ਲਾਇਬ੍ਰੇਰੀ ਹੈ।

ਆਪਣੇ ਕਾਰਜਾਂ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਕੁਝ ਲਾਇਬ੍ਰੇਰੀਜ਼ ਇੰਪੋਰਟ ਕਰੋ।

1. ਹੇਠਾਂ ਦਿੱਤਾ ਕੋਡ ਲਿਖ ਕੇ ਇੰਪੋਰਟ ਸ਼ਾਮਲ ਕਰੋ:

   import matplotlib.pyplot as plt
   import numpy as np
   from sklearn import datasets, linear_model, model_selection
   

   ਉਪਰੋਕਤ ਤੁਸੀਂ matplotlib, numpy ਇੰਪੋਰਟ ਕਰ ਰਹੇ ਹੋ ਅਤੇ ਤੁਸੀਂ datasets, linear_model ਅਤੇ model_selection ਨੂੰ sklearn ਤੋਂ ਇੰਪੋਰਟ ਕਰ ਰਹੇ ਹੋ। model_selection ਡਾਟਾ ਨੂੰ ਟ੍ਰੇਨਿੰਗ ਅਤੇ ਟੈਸਟ ਸੈਟ ਵਿੱਚ ਵੰਡਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

ਡਾਇਬਟੀਜ਼ ਡਾਟਾਸੈਟ

ਬਣਾਏ ਗਏ ਡਾਇਬਟੀਜ਼ ਡਾਟਾਸੈਟ ਵਿੱਚ ਡਾਇਬਟੀਜ਼ ਦੇ ਆਲੇ-ਦੁਆਲੇ 442 ਨਮੂਨੇ ਸ਼ਾਮਲ ਹਨ, 10 ਫੀਚਰ ਚ ✅ ਸੋਚੋ ਕਿ ਇੱਥੇ ਕੀ ਹੋ ਰਿਹਾ ਹੈ। ਕਈ ਛੋਟੇ ਡਾਟਾ ਬਿੰਦੂਆਂ ਵਿੱਚੋਂ ਇੱਕ ਸਿੱਧੀ ਰੇਖਾ ਗੁਜ਼ਰ ਰਹੀ ਹੈ, ਪਰ ਇਹ ਅਸਲ ਵਿੱਚ ਕੀ ਕਰ ਰਹੀ ਹੈ? ਕੀ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਇਸ ਰੇਖਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦੇ ਹੋ ਕਿ ਇੱਕ ਨਵਾਂ, ਅਣਜਾਣਿਆ ਡਾਟਾ ਬਿੰਦੂ ਪਲਾਟ ਦੇ y ਅਕਸ ਨਾਲ ਸਬੰਧ ਵਿੱਚ ਕਿੱਥੇ ਫਿੱਟ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ? ਇਸ ਮਾਡਲ ਦੇ ਵਿਆਹਾਰਕ ਉਪਯੋਗ ਨੂੰ ਸ਼ਬਦਾਂ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।

ਵਧਾਈ ਹੋਵੇ, ਤੁਸੀਂ ਆਪਣਾ ਪਹਿਲਾ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਇਆ, ਇਸ ਨਾਲ ਇੱਕ ਅਨੁਮਾਨ ਬਣਾਇਆ, ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਪਲਾਟ ਵਿੱਚ ਦਰਸਾਇਆ!

---

🚀ਚੁਣੌਤੀ

ਇਸ ਡਾਟਾਸੈਟ ਵਿੱਚੋਂ ਇੱਕ ਵੱਖਰਾ ਵੈਰੀਏਬਲ ਪਲਾਟ ਕਰੋ। ਸੰਕੇਤ: ਇਸ ਲਾਈਨ ਨੂੰ ਸੋਧੋ: X = X[:,2]। ਇਸ ਡਾਟਾਸੈਟ ਦੇ ਟਾਰਗੇਟ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਤੁਸੀਂ ਸ਼ੂਗਰ ਦੀ ਬਿਮਾਰੀ ਦੇ ਵਿਕਾਸ ਬਾਰੇ ਕੀ ਪਤਾ ਲਗਾ ਸਕਦੇ ਹੋ?

ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼

ਸਮੀਖਿਆ ਅਤੇ ਖੁਦ ਅਧਿਐਨ

ਇਸ ਟਿਊਟੋਰੀਅਲ ਵਿੱਚ, ਤੁਸੀਂ ਸਧਾਰਨ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਨਾਲ ਕੰਮ ਕੀਤਾ, ਨਾ ਕਿ ਯੂਨੀਵੈਰੀਏਟ ਜਾਂ ਮਲਟੀਪਲ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਨਾਲ। ਇਹਨਾਂ ਤਰੀਕਿਆਂ ਦੇ ਵਿਚਕਾਰ ਅੰਤਰਾਂ ਬਾਰੇ ਕੁਝ ਪੜ੍ਹੋ, ਜਾਂ ਇਹ ਵੀਡੀਓ ਵੇਖੋ।

ਰਿਗ੍ਰੈਸ਼ਨ ਦੇ ਸਿਧਾਂਤ ਬਾਰੇ ਹੋਰ ਪੜ੍ਹੋ ਅਤੇ ਸੋਚੋ ਕਿ ਇਸ ਤਕਨੀਕ ਨਾਲ ਕਿਹੜੇ ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਜਵਾਬ ਦਿੱਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਆਪਣੀ ਸਮਝ ਨੂੰ ਗਹਿਰਾ ਕਰਨ ਲਈ ਇਹ ਟਿਊਟੋਰੀਅਲ ਲਓ।

ਅਸਾਈਨਮੈਂਟ

ਇੱਕ ਵੱਖਰਾ ਡਾਟਾਸੈਟ

---

ਅਸਵੀਕਤੀ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਪੂਰੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।