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

ರೆಗ್ರೆಷನ್ ಮಾದರಿಗಳಿಗೆ ಪೈಥಾನ್ ಮತ್ತು ಸೈಕಿಟ್-ಲರ್ನ್‌ನೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ

ಸ್ಕೆಚ್‌ನೋಟ್ನ್ನು ರಚಿಸಿದವರು ಟೊಮೊಮಿ ಇಮುರು

ಪೂರ್ವ-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್

ಈ ಪಾಠವನ್ನು R ನಲ್ಲಿ ಲಭ್ಯವಿದೆ!

ಪರಿಚಯ

ಈ ನಾಲ್ಕು ಪಾಠಗಳಲ್ಲಿ, ನೀವು ರೆಗ್ರೆಷನ್ ಮಾದರಿಗಳನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸಬಹುದು ಎಂದು ತಿಳಿಯುವಿರಿ. ಈ ಮಾದರಿಗಳು ಏಕೆ ಬೇಕು ಎಂದು ಬೇಗ ತಿಳಿಸಿ ಕೊಡುವೆವು. ಆದರೆ ಯಾವುದೇ ಕಾರ್ಯಾರಂಭಿಸುವ ಮೊದಲು, ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪ್ರಾರಂಭಿಸಲು ಸೂಕ್ತ ಯಂತ್ರೋಪಕರಣಗಳನ್ನು ಹೊಂದಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ!

ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಈ ಕೆಳಗಿನವುಗಳನ್ನು ಕಲಿಯುತ್ತೀರಿ:

• ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್ ಅನ್ನು ಸ್ಥಳೀಯ ಯಂತ್ರ ಕಲಿಕೆಯ ಕಾರ್ಯಗಳಿಗೆ ಹೊಂದಿಸಿ.
• ಜ್ಯೂಪಿಟರ್ ನೋಟ್ಬುಕ್‌ಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು.
• ಸೈಕಿಟ್-ಲರ್ನ್ ಅನ್ನು ಬಳಸುವುದು, ಸ್ಥಾಪನೆ ಸೇರಿ.
• ಲಿನಿಯರ್ ರೆಗ್ರೆಷನ್ ಅನ್ನು ಕೈಹಿಡಿದು ಅಭ್ಯಾಸದಿಂದ ಪರಿಶೀಲಿಸುವುದು.

ಸ್ಥಾಪನೆಗಳು ಮತ್ತು ಕಂಫಿಗರೇಶನ್‌ಗಳು

🎥 ದಯವಿಟ್ಟು ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್ ಅನ್ನು ಎಂಎಲ್ ಗಾಗಿ ಹೇಗೆ ಕಂಫಿಗರ್ ಮಾಡುವುದು ಎಂಬುದರ ಚುಟುಕು ವಿಡಿಯೋ ನೋಡಲು.

1. ಪೈಥಾನ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿ. ಖಚಿತಪಡಿಸಿಕೊಂಡಿರಿ ಪೈಥಾನ್ ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ ಸ್ಥಾಪಿತವಾಗಿದೆ. ನೀವು ಬಹುಮಾನಗಳಾದ ಡೇಟಾ ವಿಜ್ಞಾನ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ಕಾರ್ಯಗಳಿಗಾಗಿ ಪೈಥಾನ್ ಬಳಸುವಿರಿ. ಬಹುತೇಕ ಕಂಪ್ಯೂಟರ್ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಈಗಾಗಲೇ ಒಂದು ಪೈಥಾನ್ ಸ್ಥಾಪನೆ ಇದೆ. ಕೆಲವು ಬಳಕೆದಾರರಿಗೆ ಸುಲಭವಾಗಲು ಪೈಥಾನ್ ಕೋಡಿಂಗ್ ಪ್ಯಾಕ್ಸ್ ಕೂಡ ಲಭ್ಯವಿದೆ.

   ಕೆಲವು ಪೈಥಾನ್ ಬಳಕೆಗಳು ಒಂದೇ ಸಾಫ್ಟ್‌ವೇರ್ ಆವೃತ್ತಿಯನ್ನು ಅಗತ್ಯವಿರಬಹುದು, ಆದರೆ ಇತರೆಗಳಿಗೆ ಬೇರೆ ಆವೃತ್ತಿ ಬೇಕಾಗಬಹುದು. ಈ ಕಾರಣದಿಂದ, ಒಂದು ವರ್ಚುವಲ್ ಎನ್ವಿರಾನ್‌ಮೆಂಟ್ ನಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದು ಉಪಯುಕ್ತ.

2. ವಿಶ್ವಲ್ ಸ್ಟುಡಿಯೋ ಕೋಡ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿ. ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ Visual Studio Code ಸ್ಥಾಪಿತವಿದೆ ಎಂಬುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. ಮೂಲ ಸ್ಥಾಪನೆಯಿಗಾಗಿ ಈ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ Visual Studio Code ಅನ್ನು ಸ್ಥಾಪಿಸುವುದು. ಈ ಕೋರ್ಸ್‌ನಲ್ಲಿ ನೀವು Visual Studio Code ಒಳಗೆ Python ಬಳಸಲಿದ್ದೀರಿ, ಆದ್ದರಿಂದ Python ಅಭಿವೃದ್ಧಿಗೆ ಇದು ವ್ಯವಸ್ಥೆ Visual Studio Code ಕಂಫಿಗರ್ ಮಾಡುವ ವಿಧಾನ ಅನ್ನು ತಿಳಿದುಕೊಳ್ಳಲು ಬಯಸಬಹುದು.

   ಈ ಲೆರ್ನ್ ಮಾಡ್ಯೂಲ್‌ಗಳು ಮೂಲಕ Python ನೊಂದಿಗೆ ಆರಾಮವಾಗಿರಿ.

   

   🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ವೀಡಿಯೊ ನೋಡಿ: VS Code ಒಳಗೆ Python ಉಪಯೋಗಿಸುವುದು.

3. ಸೈಕಿಟ್-ಲರ್ನ್ ಸ್ಥಾಪಿಸಿ, ಈ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ. ನೀವು Python 3 ಉಪಯೋಗಿಸುವುದಾಗಿ ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು, ಆದ್ದರಿಂದ ವರ್ಚುವಲ್ ಎನ್ವಿರಾನ್‌ಮೆಂಟ್ ಉಪಯೋಗಿಸುವುದು ಶಿಫಾರಸು. M1 Mac ನಲ್ಲಿ ಸ್ಥಾಪಿಸುವಾಗ ಎಚ್ಚರಿಕೆ ಸೂಚನೆಗಳು ಮೇಲಿನ ಪುಟದಲ್ಲಿ ಇದ್ದವೆ.

4. ಜ್ಯೂಪಿಟರ್ ನೋಟ್ಬುಕ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿ. ನೀವು ಜ್ಯೂಪಿಟರ್ ಪ್ಯಾಕೇಜ್ ಅನ್ನು ಸ್ಥಾಪಿಸಬೇಕು.

ನಿಮ್ಮ ಯಂತ್ರ ಕಲಿಕೆ ಲೇಖನ ಪರಿಸರ

ನೀವು ನಿಮ್ಮ Python ಕೋಡ್ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ನೋಟ್ಬುಕ್‌ಗಳು ಉಪಯೋಗಿಸುವಿರಿ. ಈ ರೀತಿಯ ಫೈಲ್ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳಿಗೆ ಸಾಮಾನ್ಯ ಉಪಕರಣ ಮತ್ತು ಅದನ್ನು ಒಂದು ಸಫಿಕ್ಸ್ ಅಥವಾ ವಿಸ್ತರಣೆ .ipynb ಮೂಲಕ ಗುರುತಿಸಲಾಗುತ್ತದೆ.

ನೋಟ್ಬುಕ್‌ಗಳು ಸಂವಹನಾತ್ಮಕ ಪರಿಸರವಾಗಿದ್ದು, ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರಿಗೆ ಕೋಡ್ ಬರೆಯುವುದರೊಂದಿಗೆ ಟಿಪ್ಪಣಿಗಳು ಮತ್ತು ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಸೇರಿಸುವ ಅವಕಾಶ ನೀಡುತ್ತದೆ, ಇದು ಪ್ರಯೋಗಾತ್ಮಕ ಅಥವಾ ಸಂಶೋಧನೆ ಮೇಲುನೋಟ ಇರುವ ಯೋಜನೆಗಳಿಗೆ ಬಹಳ ಉಪಯುಕ್ತ.

🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಈ ವ್ಯಾಯಾಮವನ್ನು ನಡೆಸುವ ಚುಟುಕು ವೀಡಿಯೊ ನೋಡಿ.

ವ್ಯayasama - ನೋಟ್ಬುಕ್ ಜೊತೆ ಕೆಲಸ ಮಾಡುವುದು

ಈ ಫೋಲ್ಡರ್‌ನಲ್ಲಿ ನೀವು notebook.ipynb ಫೈಲ್ ಕಾಣಬಹುದು.

1. Visual Studio Code ನಲ್ಲಿ notebook.ipynb ತೆರೆಯಿರಿ.

   ಜ್ಯೂಪಿಟರ್ ಸರ್ವರ್ Python 3+ ಚಾಲನೆಯಲ್ಲಿರುತ್ತದೆ. ನೋಟ್ಬುಕ್‌ನಲ್ಲಿ, ಚಾಲನೆಗಾಗಿ ಆಯ್ಕೆಮಾಡಬಹುದಾದ ಕೋಡ್ ಪುಟಗಳಿವೆ. ಒಂದು ಕೋಡ್ ಬ್ಲಾಕ್ ಅನ್ನು, ಪ್ಲೇ ಬಟನ್ ಇಮೇಜ್ ಆಯ್ಕೆಮಾಡಿ ಚಾಲನೆ ಮಾಡಬಹುದು.

2. md ಚಿಹ್ನೆ ಆಯ್ಕೆಮಾಡಿ, ಸ್ವಲ್ಪ ಮಾರ್ಕ್ಡೌನ್ ಸೇರಿಸಿ ಹಣವಾಗಿ # ನಿಮ್ಮ ನೋಟ್ಬುಕ್‌ಗೆ ಸ್ವಾಗತ ಬರೆಯಿರಿ.

   ನಂತರ, ಸ್ವಲ್ಪ Python ಕೋಡ್ ಸೇರಿಸಿ.

3. ಕೋಡ್ ಬ್ಲಾಕ್‌ನಲ್ಲಿ print('hello notebook') ಟೈಪ್ ಮಾಡಿ.

4. arrow ಆಯ್ಕೆಮಾಡಿ ಕೋಡ್ ಚಾಲನೆ ಮಾಡಿ.

   ನೀವು ಕೆಳಗಿನ ಮುದ್ರಿತ ತಿಳುವಳಿಕೆಯನ್ನು ನೋಡಬೇಕು:

   hello notebook
   

ನಿಮ್ಮ ಕೋಡ್ ಜೊತೆ ಟಿಪ್ಪಣಿಗಳನ್ನು ಸೇರಿಸಿ ನೋಟ್ಬುಕ್ ಸ್ವಯಂ-ಡಾಕ್ಯುಮೆಂಟ್ ಮಾಡಬಹುದು.

✅ ಒಂದು ನಿಮಿಷ ಕಾಳಜಿ ವಹಿಸಿ ಅಂತರ್ಜಾಲ ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರ ಕಾರ್ಯಪರಿಸರ ಮತ್ತು ಡೇಟಾ ವಿಜ್ಞಾನಿಯವರ ಕಾರ್ಯಪರಿಸರ ಹೇಗೆ ವಿಭಿನ್ನವಾಗಿದೆಂದು ಯೋಚಿಸಿ.

ಸೈಕಿಟ್-ಲರ್ನ್ ಜೊತೆಗೆ ಚಾಲನೆ ಆರಂಭಿಸಿ

ಈಗ Python ನಿಮ್ಮ ಸ್ಥಳೀಯ ಪರಿಸರದಲ್ಲಿ ಸಜ್ಜಾಗಿದ್ದು, ಮತ್ತು ನೀವು ಜ್ಯೂಪಿಟರ್ ನೋಟ್ಬುಕ್‌ಗಳೊಂದಿಗೆ ಆರಾಮವಾಗಿದ್ದೀರಿ, ಸೈಕಿಟ್-ಲರ್ನ್ ಜೊತೆಗೆ ಸಹ ಸಮಾನ ಅನುಭವ ಪಡೆಯೋಣ (ಅದರ ಉಚ್ಚಾರಣೆ sci ಅಂದರೆ ವಿಜ್ಞಾನ). ಸೈಕಿಟ್-ಲರ್ನ್ ನಿಮಗೆ ಯಂತ್ರ ಕಲಿಕೆಯ ಕಾರ್ಯಗಳನ್ನು ಮಾಡಲು ಸಹಾಯ ಮಾಡುವ ವಿಸ್ತೃತ API ಒದಗಿಸುತ್ತದೆ.

ಅವರ ವೆಬ್‌ಸೈಟ್ ಪ್ರಕಾರ, "ಸೈಕಿಟ್-ಲರ್ನ್ ಒಂದು ಓಪನ್ ಸೋರ್ಸ್ ಯಂತ್ರ ಕಲಿಕೆ ಲೈಬ್ರರಿಯಾಗಿದೆ, ಇದು ಸೂಪರ್ವೈಸ್‌ಡ್ ಮತ್ತು ಅನ್‌ಸೂಪರ್ವೈಸ್‌ಡ್ ಕಲಿಕೆಯನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಇದು ಮಾದರಿ ಹೊಂದಿಸುವಿಕೆ, ಡೇಟಾ ಪೂರ್ವಪ್ರಸಿದ್ಧತೆ, ಮಾದರಿ ಆಯ್ಕೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ, ಮತ್ತು ಇನ್ನೂ ಹಲವಾರು ಉಪಕರಣಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ."

ಈ ಕೋರ್ಸ್‌ನಲ್ಲಿ ನೀವು ಸೈಕಿಟ್-ಲರ್ನ್ ಮತ್ತು ಇತರ ಉಪಕರಣಗಳನ್ನು ಉಪಯೋಗಿಸಿ ಸಾಮಾನ್ಯ ಯಂತ್ರ ಕಲಿಕೆ ಕಾರ್ಯಗಳನ್ನು ಮಾಡಲು ಮಾದರಿಗಳನ್ನು ರಚಿಸುವಿರಿ. ನಾವು ಉದ್ದೇಶಿತವಾಗಿ न्यೂರಲ್ ನೆಟ್‌ವರ್ಗಳು ಮತ್ತು ಡೀಪ್ ಲರ್ನಿಂಗ್ ಅನ್ನು ಇಲ್ಲಿ ಮುಂಚೂರಾಗಿ ಕಾಣದಿದ್ದೇವೆ, ಅವು ನಮ್ಮ 'ಎಐ ಎರಡು ತರಗತಿ' ಅಭ್ಯಾಸಕ್ರಮದಲ್ಲಿ ಹೆಚ್ಚು ವಿವರಮಾಡಲ್ಪಡುವುದಕ್ಕಾಗಿ.

ಸೈಕಿಟ್-ಲರ್ನ್ ಮಾದರಿಗಳನ್ನು ಸುಲಭವಾಗಿ ರಚಿಸಲು ಮತ್ತು ಅವುಗಳನ್ನು ಬಳಸಲು ಗಣನೆ ಮಾಡುವುದಕ್ಕೆ ಒಳಿತಾದದ್ದು. ಇದು ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾ ಬಳಕೆ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದೆ ಮತ್ತು ಓದುವಿಕೆಗೆ ಸಾಕಷ್ಟು ಸಿದ್ಧ ಸೇಟ್ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಇದು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಪ್ರಯೋಗಿಸಲು ಪೂರ್ವನಿರ್ಮಿತ ಮಾದರಿಗಳನ್ನು ನೀಡುತ್ತದೆ. ನಾವು ಈಗ ಸೈಕಿಟ್-ಲರ್ನ್ ಒಳಗಿಂದ ಮೊದಲು ಲೋಡ್ ಮಾಡಲಾದ ಡೇಟಾ ಮತ್ತು ಅಂಗीकೃತ ಅಂದಾಜನೆ ಉಪಕರಣದಿಂದ ಮೊದಲ ML ಮಾದರಿಯನ್ನು ಹೇಗೆ ತಯಾರಿಸಬಹುದು ಎಂದು ಅನ್ವೇಷಿಸೋಣ.

ವ್ಯಾಯಾಮ - ನಿಮ್ಮ ಮೊದಲ ಸೈಕಿಟ್-ಲರ್ನ್ ನೋಟ್ಬುಕ್

ಈ ಪಾಠವನ್ನು ಸ್ಫೂರ್ತಿಗೊಳಿಸಿದದ್ದು ಸೈಕಿಟ್-ಲರ್ನ್ ವೆಬ್‌ಸೈಟ್‌ನ ಲೀನಿಯರ್ ರೆಗ್ರೆಷನ್ ಉದಾಹರಣೆ.

🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಈ ವ್ಯಾಯಾಮದ ಚುಟುಕು ವೀಡಿಯೊ ನೋಡಲು.

ಈ ಪಾಠಕ್ಕೆ ಸಂಬಂಧಿಸಿದ notebook.ipynb ಫೈಲ್‌ನಲ್ಲಿ, ಎಲ್ಲಾ ಸೆಲ್‌ಗಳನ್ನು 'ಟ್ರೆಶ್ ಕ್ಯಾನ್' ಐಕಾನ್ ಕ್ಲಿಕ್ ಮಾಡಿ ತೆರವುಮಾಡಿ.

ಈ ವಿಭಾಗದಲ್ಲಿ ನೀವು ಸೈಕಿಟ್-ಲರ್ನ್‌ನಲ್ಲಿ ಕಲಿಕೆಯ ಗುರಿಗಾಗಿ ಹೊಂದಿಸಿರುವ ಸಣ್ಣ ಡಯಾಬಿಟಿಸ್ ಡೇಟಾಸೆಟ್‌ನೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲಿದ್ದೀರಿ. ನೀವು ಡಯಾಬಿಟಿಕ್ ರೋಗಿಗಳಿಗೆ ಚಿಕಿತ್ಸೆ ಪರೀಕ್ಷಿಸಲು ಬಯಸಿದರೆ ಕಲ್ಪಿಸಿ. ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳು ವ್ಯತ್ಯಾಸದಿಂದ ಮಾಹಿತಿಗಳನ್ನು ಆಧರಿಸಿ ಕೆಲ ರೋಗಿಗಳು ಉತ್ತಮವಾಗಿ ಚಿಕಿತ್ಸೆಗಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುವ ಬಗ್ಗೆ ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು. ಬಹುಮಟ್ಟಿನ ಸರಳ ರೆಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ದೃಶ್ಯೀಕರಿಸಿದಾಗ, ಇದು ನಿಮ್ಮ ಸಂಶೋಧನಾತ್ಮಕ ಅಥವಾ ತತ್ವಸಂಬಂಧಿ ಕ್ಲಿನಿಕಲ್ ಪ್ರಾಯೋಗಗಳನ್ನು ಆಧರಿಸಿ ಸಹಾಯವಾಗುವ ಮಾಹಿತಿಯನ್ನು ತೋರಿಸಬಹುದು.

✅ ವಿವಿಧ ತರಹದ ರೆಗ್ರೆಷನ್ ವಿಧಾನಗಳಿವೆ ಮತ್ತು ನೀವು ಏನನ್ನು ಆಯ್ಕೆಮಾಡುತ್ತೀರಿ ಎಂದು ನೀವು ಹುಡುಕುತ್ತಿರುವ ಉತ್ತರ ಮೇಲೆ ಆಧಾರಿತವಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಒಬ್ಬ ವ್ಯಕ್ತಿಯ ವಯಸ್ಸಿಗಾಗಿ ಸಾಧ್ಯವಿರುವ ಎತ್ತರವನ್ನು ಊಹಿಸಲು ನೀವು ಲೀನಿಯರ್ ರೆಗ್ರೆಷನ್ ಬಳಸುತ್ತೀರಿ, ಏಕೆಂದರೆ ನೀವು ಒಂದು ಸಂಖ್ಯಾತ್ಮಕ ಮೌಲ್ಯ ಹುಡುಕುತ್ತಿದ್ದೀರಿ. ನೀವು ಯಾವುದೇ ತಿಂಡಿಯನ್ನು ವಿಗನ್ ಅಲ್ಲವೆ ಎಂದು ಗುರುತಿಸಲು ಬಯಸಿದರೆ, ನೀವು ವರ್ಗ ನಿರ್ಧಾರ ಹುಡುಕುತ್ತಿದ್ದೀರಿ ಆದ್ದರಿಂದ ಲಾಜಿಸ್ಟಿಕ್ ರೆಗ್ರೆಷನ್ ಬಳಸುತ್ತೀರಿ. ಲಾಜಿಸ್ಟಿಕ್ ರೆಗ್ರೆಷನ್ ಬಗ್ಗೆ ನಂತರ ಕಲಿತೀರಿ. ಡೇಟಾದಿಂದ ನೀವು ಕೇಳಬಹುದಾದ ಕೆಲವು ಪ್ರಶ್ನೆಗಳ ಬಗ್ಗೆ ಯೋಚಿಸಿ ಮತ್ತು ಅವಕ್ಕೆ ಸೂಕ್ತವಾದ ವಿಧಾನಗಳನ್ನೂ ಆಯ್ಕೆಮಾಡಿ.

ಈಗ ಈ ಕಾರ್ಯ ಪ್ರಾರಂಭಿಸೋಣ.

ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಮದುಮಾಡಿ

ಈ ಕಾರ್ಯಕ್ಕಾಗಿ ನಾವು ಕೆಲವು ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಮದುಮಾಡುತ್ತೇವೆ:

• ಮ್ಯಾಟ್ಪ್ಲಾಟ್‌ಲಿಬ್. ಇದು ಒಂದು ಉಪಯುಕ್ತ ಗ್ರಾಫಿಂಗ್ ಉಪಕರಣ ಮತ್ತು ನಾವು ಇದನ್ನು ಲೈನ್ ಪ್ಲಾಟ್ ಚಿತ್ರಿಸಲು ಬಳಸುತ್ತೇವೆ.
• ನಂಪೈ. ನಂಪೈವು ಪೈಥಾನ್‌ನಲ್ಲಿ ಸಂಖ್ಯೆ ಡೇಟಾ ನಿರ್ವಹಿಸಲು ಉಪಯುಕ್ತ ಗ್ರಂಥಾಲಯ.
• ಸ್ಕ್‌ಲರ್ನ್. ಇದು ಸೈಕಿಟ್-ಲರ್ನ್ ಗ್ರಂಥಾಲಯ.

ನಿಮ್ಮ ಕಾರ್ಯಗಳಿಗೆ ಸಹಾಯ ಮಾಡುವಂತೆ ಕೆಲವು ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಮದುಮಾಡಿ.

1. ಕೆಳಗಿನ ಕೋಡ್ ಟೈಪ್ ಮಾಡಿ ಆಮದುಮಾಡಿ:

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

   ಮೇಲಿನ ಕೋಡ್ ಮೂಲಕ ನೀವು matplotlib, numpy ಮತ್ತು sklearn ನ datasets, linear_model ಮತ್ತು model_selection ಅನ್ನು ಆಮದು ಮಾಡುತ್ತಿದ್ದೀರಿ. model_selection ಬಳಸಿ ಡೇಟಾವನ್ನು ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳಾಗಿ ವಿಭಜಿಸಲಾಗುತ್ತದೆ.

ಡಯಾಬಿಟಿಸ್ ಡೇಟಾಸೆಟ್

ಒಳಗೊಂಡಿರುವ ಡಯಾಬಿಟಿಸ್ ಡೇಟಾಸೆಟ್ನಲ್ಲಿ 442 ಮಾದರಿಗಳು ಇವೆ ಮತ್ತು 10 ವೈಶಿಷ್ಟ್ಯಗಳ ಮೂಲಕ ಬಗ್ಗೆಯೂ ಮಾಹಿತಿ ಇದೆ, ಅವರನ್ನು ಕೆಲವು ಇವುಗಳು:

• ವಯಸ್ಸು: ವಯಸ್ಸು ವರ್ಷಗಳಲ್ಲಿ
• ಬಿಎಮ್ಐ: ಶರೀರದ ಮಾಸ್ ಇಂಡೆಕ್ಸ್
• ಬಿಪಿ: ಸರಾಸರಿ ರಕ್ತದೊತ್ತಡ
• ಎಸ್1 ಟಿಸಿ: ಟಿ-ಸೆಲ್ಸ್ (ಬಿಳಿ ರಕ್ತ ಕಣದ ಪ್ರಕಾರ)

✅ ಈ ಡೇಟಾಸೆಟ್ 'ಲಿಂಗ' ಎಂಬ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಒಳಗೊಂಡಿದೆ, ಇದು ಡಯಾಬಿಟಿಸ್ ಸಂಬಂಧಿತ ಸಂಶೋಧನೆಗೆ ಪ್ರಮುಖವಾಗಿದೆ. ಅನೇಕ ವೈದ್ಯಕೀಯ ಡೇಟಾ ಸೆಟ್‌ಗಳು ಇಂತಹ ದ್ವಿಪದ ವರ್ಗೀಕರಣವನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ. ಇಂತಹ ವರ್ಗೀಕರಣಗಳು ಬಹುಮಾನವುಂಬಿದ ಗೈರುಗಳೂ ಔಷಧ ಚಿಕಿತ್ಸೆಗಿಂದ ಹೊರಗಾಗಬಹುದು ಎಂದು ಯೋಚಿಸಿ.

ಈಗ, X ಮತ್ತು y ಡೇಟಾ ಲೋಡ್ ಮಾಡಿ.

🎓 ಧ್ಯಾನಿಸಿ, ಇದು ಸೂಪರ್ವೈಸ್ ಕಲಿಕೆಯಾಗಿದ್ದು, 'y' ಎಂಬ ಗುರಿ ಟಾರ್ಗೆಟ್ ಬೇಕು.

ಹೊಸ ಕೋಡ್ ಸೆಲ್‌ನಲ್ಲಿ, load_diabetes() ಕರೆಮಾಡಿ ಡಯಾಬಿಟ್ಸ್ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಲೋಡ್ ಮಾಡಿ. return_X_y=True ವೇಳೆ, X ಡೇಟಾ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಆಗಿದ್ದು y ರೆಗ್ರೆಷನ್ ಗುರಿಯಾಗುತ್ತದೆ.

1. ಡೇಟಾ ಮ್ಯಾಟ್ರಿಕ್ಸಿನ ಅಳತೆ ಮತ್ತು ಮೊದಲು ಒಂದು ಅಂಶವನ್ನು ತೋರಿಸಲು ಕೆಲವು ಮುದ್ರಣ ಆಜ್ಞೆಗಳು ಸೇರಿಸಿ:

   X, y = datasets.load_diabetes(return_X_y=True)
   print(X.shape)
   print(X[0])
   

   ನೀವು ಪಡೆಯುತ್ತಿರುವ ಪ್ರತಿಕ್ರಿಯೆಯು ಕೂಪ್ಲ್ ಆಗಿದೆ. ನೀವು ಆ ಕೂಪ್ಲ್ಯ ಜೋಡಿಯ ಮೊದಲ ಎರಡು ಮೌಲ್ಯಗಳನ್ನು ಕ್ರಮವಾಗಿ X ಮತ್ತು y ಗೆ ಹಂಚಿಕೊಂಡಿದ್ದೀರಿ. ಕೂಪ್ಲಗಳ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ಕಲಿಯಿರಿ.

   ಡೇಟಾದಲ್ಲಿ 442 ಐಟಂಗಳು ಹಾಗೂ ಪ್ರತಿಯೊಂದರಲ್ಲಿ 10 ಅಂಶಗಳ ಅರೇಗಳಾಗಿವೆ ಎಂದು ನೀವು ನೋಡಬಹುದು:

   (442, 10)
   [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076
   -0.04340085 -0.00259226  0.01990842 -0.01764613]
   

   ✅ ಡೇಟಾ ಮತ್ತು ರೆಗ್ರೆಷನ್ ಗುರಿ ನಡುವೆ ಸಂಬಂಧವನ್ನು ಯೋಚಿಸಿ. ಲೀನಿಯರ್ ರೆಗ್ರೆಷನ್ ವೈಶಿಷ್ಟ್ಯ X ಮತ್ತು ಗುರಿ y ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಊಹಿಸುತ್ತದೆ. ಈ ಡೇಟಾಸೆಟ್‌ನ ಗುರಿನ ಡಾಕ್ಯುಮೆಂಟೇಶನ್‌ನಲ್ಲಿ ಹುಡುಕಿ. ಈ ಡೇಟಾಸೆಟ್ ಏನು ತೋರಿಸುತ್ತದೆ?

2. ಮುಂದಾಗಿ, ಈ ಡೇಟಾಸೆಟ್‌ನ 3ನೇ ಕಾಲಮ್ ಆಯ್ಕೆಮಾಡಿ ಇದನ್ನು ಪ್ಲಾಟ್ ಮಾಡಲು. : ಆಪರೇಟರ್ ಬಳಸಿ ಎಲ್ಲಾ ಸಾಲುಗಳನ್ನು ಆರಿಸಿ ನಂತರ 3ನೇ ಕಾಲಮ್ (ಅಂಕೆ 2) ಆಯ್ಕೆ ಮಾಡಿ. ಅದನ್ನು 2D ಅರೇ ಆಗಿ ರೂಪಾಂತರಿಸಬಹುದು - reshape(n_rows, n_columns) ಬಳಸಿ - ಇದರಲ್ಲಿ ಒಂದು ಪ್ರಮಾಣೀಕರಣ -1 ಆಗಿದ್ದರೆಸ್ವಯಂಚಾಲಿತವಾಗಿ ಗಣನೆಗೆ ಒಳಪಡುತ್ತದೆ.

   X = X[:, 2]
   X = X.reshape((-1,1))
   

   ✅ ಯಾವಾಗ ಬೇಕಾದರೂ ಡೇಟಾ ಮುದ್ರಿಸಿ ಅದರ ಆಕಾರವನ್ನು ಪರಿಶೀಲಿಸಿ.

3. ಈಗ ಡೇಟಾ ಪ್ಲಾಟ್ ಮಾಡಲು ಸಿದ್ಧವಾಗಿದೆ. ಈ ಸಂಖ್ಯೆಗಳ ನಡುವೆ ಲಾಜಿಕಲ್ ಸ್ಪ್ಲಿಟ್ ಏನು ಎಂದು ಯಂತ್ರಶಕ್ತಿ ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ನೋಡೋಣ. ಇದಕ್ಕಾಗಿ, ಡೇಟಾ (X) ಮತ್ತು ಗುರಿ (y) ಎರಡನ್ನೂ ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳಿಗೆ ವಿಭಜಿಸಬೇಕು. ಸೈಕಿಟ್-ಲರ್ನ್ ಇದಕ್ಕೆ ಸರಳ ವಿಧಾನ ಒದಗಿಸುತ್ತದೆ; ನೀವು ಟెస్ట్ ಡೇಟಾವನ್ನು ಬೇಕಾದ ಎಲ್ಲಿಗೆ ವಿಭಜಿಸಬಹುದು.

   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
   

4. ಈಗ ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ತರಬೇತಿಗೆ ಸಿದ್ಧರಾಗಿ! ಲೀನಿಯರ್ ರೆಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ಲೋಡ್ ಮಾಡಿ ಮತ್ತು model.fit() ಮೂಲಕ X ಹಾಗೂ y ತರಬೇತಿ ಸೆಟ್‌ಗಳೊಂದಿಗೆ ತರಬೇತಿ ನೀಡಿ:

   model = linear_model.LinearRegression()
   model.fit(X_train, y_train)
   

   ✅ model.fit() ಅನೇಕ ಯಂತ್ರ ಕಲಿಕೆ ಲೈಬ್ರರಿಗಳಲ್ಲಿ ಕಂಡು ಬರುವ ಕಾರ್ಯ.

5. ನಂತರ, ಪರೀಕ್ಷಾ ಡೇಟಾ ಬಳಸಿ predict() ಮೂಲಕ ಅಂದಾಜು ಮಾಡಿರಿ. ಇದು ಮಾದರಿಯ ಡೇಟಾ ಗುಂಪುಗಳ ನಡುವೆಯಲ್ಲಿ ರೇಖೆಯನ್ನು ಆಅಕರ್ಷಿಸಲು ಉಪಯೋಗಿಸಲಾಗುತ್ತದೆ

   y_pred = model.predict(X_test)
   

6. ಈಗ ಡೇಟಾವನ್ನು ಪ್ಲಾಟ್ ನಲ್ಲಿ ತೋರಿಸುವ ಸಮಯ. ಇದಕ್ಕಾಗಿ ಮ್ಯಾಟ್ಪ್ಲಾಟ್‌ಲಿಬ್ ಉಪಯುಕ್ತ. ಎಲ್ಲಾ X ಮತ್ತು y ಪರೀಕ್ಷಾ ಡೇಟಾಗಳ scatterplot ರಚಿಸಿ, ಮತ್ತು ಅಂದಾಜುಗಳಿಂದ ಮಾದರಿಯ ಡೇಟಾ ಗುಂಪುಗಳ ಮಧ್ಯೆ ಲೈನನ್ನು ಆಕರ್ಷಿಸಿ.

   plt.scatter(X_test, y_test,  color='black')
   plt.plot(X_test, y_pred, color='blue', linewidth=3)
   plt.xlabel('Scaled BMIs')
   plt.ylabel('Disease Progression')
   plt.title('A Graph Plot Showing Diabetes Progression Against BMI')
   plt.show()
   

   

   ✅ ಇಲ್ಲಿ ಏನಾಗುತ್ತಿದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಯೋಚಿಸಿ. ಸಣ್ಣ ಡಾಟಾಕೆಟ್ಟಿನ ಮೂಲಕ ಸರಳ ರೇಖೆ ಓಡುತ್ತಿದೆ, ಆದರೆ ಯಾವ ಕಾರ್ಯ ಮಾಡುತ್ತಿದೆ? ಈ ರೇಖೆಯ ಬಳಕೆ ಮೂಲಕ ಹೊಸ, ಆಗಾಗ್ಗೆ ಕಂಡುಬಂದಿಲ್ಲದ ಡೇಟಾ ಪಾಯಿಂಟ್ ಯಾವ ರೀತಿ ಪ್ಲಾಟ್‌ನ y ಅಕ್ಷದೊಂದಿಗೆ ತಾಳಿಕೊಳ್ಳುತ್ತದೆ ಎಂದು ಊಹಿಸಬಹುದು? ಈ ಮಾದರಿಯ ಪ್ರಾಯೋಗಿಕ ಬಳಕೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಹೇಳಲು ಯತ್ನಿಸಿ.

ಅಭಿನಂದನೆಗಳು, ನೀವು ನಿಮ್ಮ ಮೊದಲ ಲೀನಿಯರ್ ರೆಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ರಚಿಸಿ, ಅದರಲ್ಲಿ ಅಂದಾಜು ಮಾಡಿರಿ ಮತ್ತು ಪ್ಲಾಟ್ ನಲ್ಲಿ ಪ್ರದರ್ಶಿಸಿದ್ದಾರೆ!

---

🚀ಚಾಲೆಂಜ್

ಈ ಡೇಟಾಸೆಟ್‌ನ ಬೇರೆ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಪ್ಲಾಟ್ ಮಾಡಿ. ಸೂಚನೆ: ಈ ಪಂಕ್ತಿ ತಿದ್ದುಪಡಿ ಮಾಡಿರಿ: X = X[:,2]. ಈ ಡೇಟಾಸೆಟ್ ಗುರಿ ಬಗೆಗಿನ ಮಾಹಿತಿ ನೀಡಿ, ಡಯಾಬಿಟಿಸ್ ಚಿಕಿತ್ಸೆಯ ಪ್ರಗತಿಯ ಬಗ್ಗೆ ನೀವು ಏನನ್ನು ಕಂಡುಹಿಡಿದಿದ್ದೀರಿ?

ಪೋಸ್ಟ್-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್

ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ

ಈ ಪಾಠದಲ್ಲಿ ನೀವು ಸರಳ ಲೀನಿಯರ್ ರೆಗ್ರೆಷನ್ಗೆ worked with simple linear regression, multiple ಅಥವಾ univariate linear regression ಅಲ್ಲ. ಈ ವಿಧಾನಗಳ ನಡುವಿನ ಭೇದಗಳನ್ನು ಓದಿ ಅಥವಾ ಈ ವೀಡಿಯೊಯನ್ನು ನೋಡಿ.

ರೆಗ್ರೆಶನ್ ಸಂಧರ್ಭವನ್ನು ಇನ್ನಷ್ಟು చదದಿ ಮತ್ತು ಈ ತಂತ್ರದಿಂದ ಪಕ್ಷೇಪಾತದ ಪ್ರಶ್ನೆಗಳು ಯಾವ ರೀತಿಯವುಗಳನ್ನು ಪರಿಹರಿಸಬಹುದು ಎಂದು ಯೋಚಿಸಿ. ನಿಮ್ಮ ಅರ್ಥವನ್ನು ಗಾಢಗೊಳಿಸಲು ಈ ಪಾಠಕ್ರಮ ತೆಗೆದುಕೊಳ್ಳಿ.

ಹುದ್ದೆ

ಒಂದು ವಿಭಿನ್ನ ಡೇಟಾಸೆಟ್

---

ಅಸ್ವೀಕಾರ: ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.