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

ਰੈਗਰੈਸ਼ਨ ਮਾਡਲਾਂ ਲਈ Python ਅਤੇ Scikit-learn ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ

ਸਕੈਚਨੋਟ ਲੇਖਕ ਟੋਮੋਮੀ ਇਮੁਰਾ

ਪਹਿਲੇ ਪਾਠ ਦਾ ਕੁਇਜ਼

ਇਹ ਪਾਠ R ਵਿੱਚ ਵੀ ਉਪਲੱਬਧ ਹੈ!

ਪਰੀਚਯ

ਇਸ ਚਾਰ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਸੀਂ ਰੈਗਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਉਣ ਦਾ ਤਰੀਕਾ ਆਖ਼ਿਰਕਾਰ ਸਿੱਖੋਗੇ। ਅਸੀਂ ਹੁਣੇ ਇਹ ਵੀ ਚਰਚਾ ਕਰਾਂਗੇ ਕਿ ਇਹ ਕੀ ਕੰਮ ਆਉਂਦੇ ਹਨ। ਪਰ ਪਹਿਲਾਂ, ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਸਹੀ ਤਕਨੀਕੀ ਸੰਦ ਹਨ ਜਿਹੜੇ ਤੁਸੀਂ ਸ਼ੁਰੂਆਤੀ ਪ੍ਰਕਿਰਿਆ ਲਈ ਵਰਤੋਂ!

ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਕਿਵੇਂ:

• ਆਪਣੇ ਕੰਪਿਊਟਰ ਨੂੰ ਸਥਾਨਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕੰਮਾਂ ਲਈ ਤਿਆਰ ਕਰੋ।
• Jupyter ਨੋਟਬੁੱਕਸ ਨਾਲ ਕੰਮ ਕਰੋ।
• Scikit-learn ਵਰਤੋਂ ਕਰੋ, ਜਿਸ ਵਿੱਚ ਇੰਸਟਾਲੇਸ਼ਨ ਸ਼ਾਮਿਲ ਹੈ।
• ਇੱਕ ਹੱਥ ਨਾਲ ਬਣਾਈ ਵਰਤੋਂ ਅਭਿਆਸ ਸਮੇਤ ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਦੀ खोज ਕਰੋ।

ਇੰਸਟਾਲੇਸ਼ਨ ਅਤੇ ਕনਫ਼ਿਗਰੇਸ਼ਨ

🎥 ਉੱਪਰ ਦੀ ਛਵੀ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਇੱਕ ਛੋਟਾ ਵੀਡੀਓ ਲਈ ਜੋ ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ ਦੀ ਕੰਫ਼ਿਗਰੇਸ਼ਨ ਬਾਰੇ ਕੰਮ ਕਰਦਾ ਹੈ।

1. Python ਇੰਸਟਾਲ ਕਰੋ। ਯਕੀਨੀ ਬਣਾਓ ਕਿ Python ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ 'ਤੇ ਹੈ। ਤੁਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਬਹੁਤ ਸਾਰੇ ਕੰਮਾਂ ਲਈ Python ਵਰਤੋਂਗੇ। ਬਹੁਤ ਸਾਰੇ ਕੰਪਿਊਟਰ ਸਿਸਟਮਾਂ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ Python ਇੰਸਟਾਲ ਹੁੰਦੀ ਹੈ। ਕੁਝ ਲਾਭਕਾਰੀ Python ਕੋਡਿੰਗ ਪੈਕ ਵੀ ਉਪਲੱਬਧ ਹਨ ਜੋ ਕੁਝ ਯੂਜ਼ਰਾਂ ਲਈ ਸੈਟਅਪ ਆਸਾਨ ਕਰਦੇ ਹਨ।

   ਹਾਲਾਂਕਿ ਕਈ ਵਾਰ Python ਦੇ ਕੁਝ ਵਰਜਨਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਕਰਕੇ ਵਿਰਚੁਅਲ ਵਾਤਾਵਰਨ ਵਿੱਚ ਕੰਮ ਕਰਨਾ ਬਹੁਤ ਫਾਇਦੇਮੰਦ ਹੈ।

2. Visual Studio Code ਇੰਸਟਾਲ ਕਰੋ। ਆਪਣੀ ਮਸ਼ੀਨ 'ਤੇ Visual Studio Code ਇੰਸਟਾਲ ਕੀਤੀ ਹੋਣ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ। ਇੰਸਟਾਲੇਸ਼ਨ ਲਈ ਇਹ Visual Studio Code ਇੰਸਟਾਲ ਕਰਨ ਲਈ ਨਿਰਦੇਸ਼ਾਂ ਦਾ ਪਾਲਣ ਕਰੋ। ਇਸ ਕੋਰਸ ਵਿੱਚ ਤੁਸੀਂ Visual Studio Code ਵਿੱਚ Python ਵਰਤੋਂਗੇ, ਇਸ ਲਈ ਤੁਸੀਂ ਕਿਸ ਤਰ੍ਹਾਂ Visual Studio Code ਨੂੰ Python ਵਿਕਾਸ ਲਈ ਸੈਟਅਪ ਕਰਨਾ ਹੈ ਇਹ ਵੀ ਸਮਝ ਜਾ सकते ਹੋ।

   Python ਨਾਲ ਰੂਬਰੂ ਹੋਵੋ ਇਸ Learn ਮਾਡਿਊਲ ਦੇ ਨਾਲ ਕੰਮ ਕਰਕੇ

   

   🎥 ਉੱਪਰ ਦਿੱਤੀ ਛਵੀ 'ਤੇ ਕਲਿੱਕ ਕਰੋ Python ਨੂੰ VS ਕੋਡ ਵਿੱਚ ਵਰਤੋਂ ਲਈ ਇੱਕ ਵੀਡੀਓ ਦੇਖਣ ਲਈ।

3. Scikit-learn ਇੰਸਟਾਲ ਕਰੋ, ਇਨ੍ਹਾਂ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਫਾਲੋ ਕਰਕੇ। ਇਹ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਸੀਂ Python 3 ਵਰਜਨ ਵਰਤ ਰਹੇ ਹੋ, ਇਸ ਲਈ ਵਿਰਚੁਅਲ ਵਾਤਾਵਰਨ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਜੇ ਤੁਸੀਂ M1 Mac ਤੇ ਇਸ ਲਾਇਬ੍ਰੇਰੀ ਨੂੰ ਇੰਸਟਾਲ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਉੱਪਰ ਦਿੱਤੇ ਸਫ਼ੇ 'ਤੇ ਖ਼ਾਸ ਨਿਰਦੇਸ਼ ਹਨ।

4. Jupyter Notebook ਇੰਸਟਾਲ ਕਰੋ। ਤੁਹਾਨੂੰ Jupyter ਪੈਕੇਜ ਇੰਸਟਾਲ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ।

ਤੁਹਾਡਾ ML ਲੇਖਣ ਵਾਤਾਵਰਨ

ਤੁਸੀਂ ਆਪਣੇ Python ਕੋਡ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਨੋਟਬੁੱਕਸ ਦੀ ਵਰਤੋਂ ਕਰੋਗੇ। ਇਹ ਫਾਇਲ ਕਿਸਮ ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ ਲਈ ਇੱਕ ਆਮ ਸੰਦ ਹੈ ਅਤੇ ਇਹਨਾਂ ਦੀ ਪਛਾਣ .ipynb ਐਕਸਟੈਂਸ਼ਨ ਜਾਂ ਸਫਿਕਸ ਨਾਲ ਹੁੰਦੀ ਹੈ।

ਨੋਟਬੁੱਕ ਇੱਕ ਇੰਟਰਐਕਟਿਵ ਵਾਤਾਵਰਨ ਹੈ ਜੋ ਵਿਕਸਿਤਕਾਰ ਨੂੰ ਕੋਡ ਲਿਖਣ ਅਤੇ ਕੋਡ ਦੇ ਆਲੇ ਦੁਆਲੇ ਨੋਟਸ ਅਤੇ ਦਸਤਾਵੇਜ਼ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਜੋ ਅਜ਼ਮਾਈਸ਼ੀ ਜਾਂ ਖੋਜ ਸਬੰਧੀ ਪ੍ਰਾਜੈਕਟਾਂ ਲਈ ਬਹੁਤ ਮਦਦਗਾਰ ਹੁੰਦਾ ਹੈ।

🎥 ਉੱਪਰ ਦਿੱਤੀ ਛਵੀ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਇਸ ਅਭਿਆਸ ਵਿੱਚ ਕੰਮ ਕਰਨ ਲਈ ਇੱਕ ਛੋਟਾ ਵੀਡੀਓ ਦੇਖਣ ਲਈ।

ਅਭਿਆਸ - ਨੋਟਬੁੱਕ ਨਾਲ ਕੰਮ ਕਰੋ

ਇਸ ਫੋਲਡਰ ਵਿੱਚ ਤੁਹਾਨੂੰ notebook.ipynb ਫਾਇਲ ਮਿਲੇਗੀ।

1. Visual Studio Code ਵਿੱਚ notebook.ipynb ਖੋਲ੍ਹੋ।

   ਇੱਕ Jupyter ਸਰਵਰ Python 3+ ਨਾਲ ਸ਼ੁਰੂ ਹੋਵੇਗਾ। ਤੁਸੀਂ ਨੋਟਬੁੱਕ ਦੇ ਉਹ ਹਿੱਸੇ ਲੱਭੋਗੇ ਜੋ Run ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਕოდის ਦੇ ਟੁਕੜੇ। ਤੁਸੀਂ ਕੋਡ ਬਲਾਕ ਨੂੰ ਚੱਲਾ ਸਕਦੇ ਹੋ, ਉਸ ਆਇਕਾਨ ਨੂੰ ਚੁਣ ਕੇ ਜੋ ਪਲੇ ਬਟਨ ਵਰਗਾ ਲੱਗਦਾ ਹੈ।

2. md ਆਇਕਾਨ ਚੁਣੋ ਅਤੇ ਕੁਝ ਮਾਰਕਡਾਉਨ ਸ਼ਾਮਿਲ ਕਰੋ, ਅਤੇ ਇਹ ਟੈਕਸਟ ਲਿਖੋ # ਤੁਹਾਡੇ ਨੋਟਬੁੱਕ ਵਿੱਚ ਸੁਆਗਤ ਹੈ।

   ਅਗਲੇ, ਕੁਝ Python ਕੋਡ ਸ਼ਾਮਿਲ ਕਰੋ।

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

4. ਕੋਡ ਚਲਾਉਣ ਲਈ ਤੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।

   ਤੁਹਾਨੂੰ ਪ੍ਰਿੰਟ ਕੀਤੀ ਗਈ ਸਥਿਤੀ ਵੇਖਣ ਨੂੰ ਮਿਲੇਗੀ:

   hello notebook
   

ਤੁਸੀਂ ਆਪਣੇ ਕੋਡ ਦੇ ਨਾਲ ਟਿੱਪਣੀਆਂ ਸ਼ਾਮਿਲ ਕਰਕੇ ਨੋਟਬੁੱਕ ਨੂੰ ਸਵੈ-ਦਸਤਾਵੇਜ਼ੀਕਰਣ ਲਈ ਵਰਤ ਸਕਦੇ ਹੋ।

✅ ਇੱਕ ਮਿੰਟ ਲਈ ਸੋਚੋ ਕਿ ਇੱਕ ਵੈੱਬ ਡਿਵੈਲਪਰ ਦਾ ਕੰਮ ਕਰਨ ਦਾ ਵਾਤਾਵਰਨ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਦੇ ਵਾਤਾਵਰਨ ਨਾਲ ਕਿੰਨਾ ਵੱਖਰਾ ਹੁੰਦਾ ਹੈ।

Scikit-learn ਨਾਲ ਚਲਾਉਣਾ ਸ਼ੁਰੂ ਕਰੋ

ਹੁਣ ਜਦੋਂ Python ਤੁਹਾਡੇ ਸਥਾਨਕ ਵਾਤਾਵਰਨ ਵਿੱਚ ਸੈੱਟ ਹੋ ਗਿਆ ਹੈ, ਅਤੇ ਤੁਸੀਂ Jupyter ਨੋਟਬੁੱਕ ਨਾਲ ਆਰਾਮਦਾਇਕ ਹੋ ਚੁੱਕੇ ਹੋ, ਆਓ ਬਰਾਬਰੀ ਦਾ ਭਾਵ Scikit-learn ਨਾਲ ਜਾਣ-ਪਛਾਣ ਕਰੀਏ (sci ਨੂੰ ਸਾਇੰਸ ਵਾਂਗੋ ਉਚਾਰੋ)। Scikit-learn ਇੱਕ ਵਿਆਪਕ API ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਤੁਹਾਡੇ ML ਕੰਮ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।

ਉਹਨਾਂ ਦੀ ਵੈੱਬਸਾਈਟ ਮੁਤਾਬਕ, "Scikit-learn ਇੱਕ ਖੁੱਲ੍ਹਾ ਸਰੋਤ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਾਇਬ੍ਰੇਰੀ ਹੈ ਜੋ ਮਾਨੀਟਰਤ ਅਤੇ ਬਿਨਾ ਮਾਨੀਟਰਤ ਲਰਨਿੰਗ ਨੂੰ ਸਹਾਇਤਾ ਦਿੰਦੀ ਹੈ। ਇਹ ਮਾਡਲ ਫਿੱਟਿੰਗ, ਡਾਟਾ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ, ਮਾਡਲ ਚੋਣ ਅਤੇ ਮੁੱਲਆਂਕਣ ਅਤੇ ਹੋਰ ਬਹੁਤ ਸਾਰੇ ਯੁਟਿਲਿਟੀਜ਼ ਦੇ ਸੰਦ ਵੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ।"

ਇਸ ਕੋਰਸ ਵਿੱਚ, ਤੁਸੀਂ Scikit-learn ਅਤੇ ਹੋਰ ਸੰਦ ਵਰਤ ਕੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਤਿਆਰ ਕਰੋਗੇ ਜੋ ਕਿ ਜੋ ਤਰ੍ਹਾਂ ਦੇ ਕੰਮ ਅਸੀਂ 'ਪਾਰੰਪਰਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ' ਕਹਿੰਦੇ ਹਾਂ, ਉਹ ਕਰਨ ਲਈ ਹਨ। ਅਸੀਂ ਜਾਣ ਬੂਝ ਕੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਅਤੇ ਡੀਪ ਲਰਨਿੰਗ ਤੋਂ ਬਚਿਆ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਸਾਡੀ ਆਉਣ ਵਾਲੀ 'AI ਫਾਰ ਬਿਗਿਨਰਜ਼' ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਵਧੀਆ ਤਰੀਕੇ ਨਾਲ ਸਮਝਾਏ ਜਾਏਗਾ।

Scikit-learn ਮਾਡਲ ਬਣਾਉਣਾ ਅਤੇ ਉਨ੍ਹਾਂ ਦਾ ਮੁੱਲ਼ਾਂਕਣ ਕਰਨਾ ਸੌਖਾ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਮੁੱਖ ਤੌਰ 'ਤੇ ਨੰਬਰੀਕ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਅਤੇ ਕਈ ਤਿਆਰਸ਼ੁਦਾ ਡਾਟਾਸੈਟ ਸਮੇਤ ਆਉਂਦਾ ਹੈ ਜੋ ਸਿੱਖਣ ਵਾਲਿਆਂ ਲਈ ਸਹੂਲਤ ਹੈ। ਇਸ ਵਿੱਚ ਕੁਝ ਤਿਆਰਸ਼ੁਦਾ ਮਾਡਲ ਵੀ ਹਨ ਜੋ ਵਿਦਿਆਰਥੀ ਅਜ਼ਮਾਂ ਸਕਦੇ ਹਨ। ਆਓ ਪੈਕ ਕੀਤੇ ਡਾਟੇ ਨੂੰ ਲੋਡ ਕਰਨ ਅਤੇ ਤਿਆਰ ਕੀਤਾ ਹੋਇਆ ਐਸਟਿਮੇਟਰ ਵਰਤ ਕੇ Scikit-learn ਨਾਲ ਤੁਹਾਡਾ ਪਹਿਲਾ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਵੇਖੀਏ।

ਅਭਿਆਸ - ਤੁਹਾਡਾ ਪਹਿਲਾ Scikit-learn ਨੋਟਬੁੱਕ

ਇਹ ਟ્યુਟੋਰਿਯਲ Scikit-learn ਦੀ ਵੈੱਬਸਾਈਟ ਤੇ ਮੌਜੂਦ ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਉਦਾਹਰਨ ਤੋਂ ਪ੍ਰੇਰਿਤ ਹੈ।

🎥 ਉੱਪਰ ਦਿੱਤੀ ਛਵੀ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਇਸ ਅਭਿਆਸ ਨੂੰ ਕੰਮ ਕਰਨ ਲਈ ਇੱਕ ਛੋਟਾ ਵੀਡੀਓ ਦੇਖਣ ਲਈ।

notebook.ipynb ਫਾਇਲ ਵਿੱਚ ਸਾਰੇ ਸੈਲ ਨੂੰ 'ਕੂੜਦਾਨ' ਆਇਕਾਨ ਨੂੰ ਦਬਾਕੇ ਸਾਫ ਕਰੋ।

ਇਸ ਹਿੱਸੇ ਵਿੱਚ, ਤੁਸੀਂ ਇੱਕ ਛੋਟਾ ਡਾਟਾ ਸੈੱਟ ਵਰਤੋਂਗੇ ਜੋ Scikit-learn ਵਿੱਚ ਡਾਇਬੀਟੀਜ਼ ਬਾਰੇ ਤਿਆਰ ਹੈ ਸਿੱਖਣ ਲਈ। ਸੂਚਨਾ ਕਰੋ ਕਿ ਤੁਸੀਂ ਡਾਇਬੀਟੀਜ਼ ਮਰੀਜ਼ਾਂ ਲਈ ਇਲਾਜ ਦੀ ਜਾਂਚ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਇਹ ਤੈਅ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਕਿਹੜੇ ਮਰੀਜ਼ ਇਲਾਜ ਲਈ ਵਧੀਆ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਦੇ ਹਨ, ਵੱਖ-ਵੱਖ ਵੈਰੀਏਬਲਾਂ ਦੇ ਸੰਗਮਾਂ ਦੇ ਆਧਾਰ 'ਤੇ। ਬਹੁਤ ਪੱਧਰੀ ਰੈਗਰੈਸ਼ਨ ਮਾਡਲ, ਜਦੋ ਵਿਜੁਅਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਉਨ੍ਹਾਂ ਵੇਰੀਏਬਲਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦਿਖਾ ਸਕਦਾ ਹੈ ਜੋ ਤੁਹਾਡੇ ਸਿਧਾਂਤਕ ਕਲੀਨੀਕਲ ਟ੍ਰਾਇਲਾਂ ਨੂੰ ਸੁੰਗਠਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ।

✅ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਰੈਗਰੈਸ਼ਨ ਮੈਥਡ ਹਨ, ਅਤੇ ਤੁਸੀਂ ਜੋ ਚੁਣਦੇ ਹੋ ਉਹ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਤੁਹਾਡਾ ਸਵਾਲ ਕੀ ਹੈ। ਜੇ ਤੁਸੀਂ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਉਮਰ ਦੇ ਅਨੁਸਾਰ ਸੰਭਾਵਿਤ ਲੰਬਾਈ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣੀ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਵਰਤੋਂਗੇ, ਕਿਉਂਕਿ ਤੁਸੀਂ ਇੱਕ ਸੰਖਿਆਤਮਿਕ ਮੁੱਲ ਨੂੰ ਖੋਜ ਰਹੇ ਹੋ। ਜੇ ਤੁਸੀਂ ਇਹ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਕਿਸੇ ਕਿਸਮ ਦਾ ਖਾਣਾ ਵੇਗਨ ਮਨਿਆ जाना ਚਾਹੀਦਾ ਹੈ ਜਾਂ ਨਹੀਂ, ਤਾਂ ਤੁਸੀਂ ਇੱਕ ਸ਼੍ਰੇਣੀ ਸੌਂਪਣੀ ਖੋਜ ਰਹੇ ਹੋ, ਇਸ ਲਈ ਤੁਸੀਂ ਲੌਜਿਸਟਿਕ ਰੈਗਰੈਸ਼ਨ ਵਰਤੋਂਗੇ। ਤੁਸੀਂ ਬਾਅਦ ਵਿੱਚ ਲੌਜਿਸਟਿਕ ਰੈਗਰੈਸ਼ਨ ਬਾਰੇ ਹੋਰ ਸਿਖੋਗੇ। ਕੁਝ ਸਵਾਲਾਂ ਬਾਰੇ ਸੋਚੋ ਜੋ ਤੁਸੀਂ ਡਾਟਾ ਤੋਂ ਪੁੱਛ ਸਕਦੇ ਹੋ, ਅਤੇ ਕਿਹੜਾ ਮੈਥਡ ਜ਼ਿਆਦਾ ਮੋਹਤਰਮ ਹੈ।

ਆਓ ਇਸ ਕੰਮ 'ਤੇ ਸ਼ੁਰੂਆਤ ਕਰੀਏ।

ਲਾਇਬ੍ਰੇਰੀਆਂ ਆਯਾਤ ਕਰੋ

ਇਸ ਕੰਮ ਲਈ ਅਸੀਂ ਕੁਝ ਲਾਇਬ੍ਰੇਰੀਆਂ ਆਯਾਤ ਕਰਨਗੇ:

• matplotlib। ਇਹ ਇੱਕ ਲਾਭਕਾਰੀ ਗ੍ਰਾਫਿੰਗ ਟੂਲ ਹੈ ਜਿਸ ਨਾਲ ਅਸੀਂ ਲਾਈਨ ਪਲੌਟ ਬਣਾਵਾਂਗੇ।
• numpy। numpy Python ਵਿੱਚ ਗਿਣਤੀ ਵਾਲੇ ਡਾਟਾ ਸੰਭਾਲਣ ਲਈ ਇੱਕ ਲਾਈਬ੍ਰੇਰੀ ਹੈ।
• sklearn। ਇਹ Scikit-learn ਲਾਇਬ੍ਰੇਰੀ ਹੈ।

ਆਪਣੀਆਂ ਜ਼ਰੂਰਤਾਂ ਲਈ ਕੁਝ ਲਾਇਬ੍ਰੇਰੀਆਂ ਆਯਾਤ ਕਰੋ।

1. ਹੇਠਾਂ ਦਿੱਤਾ ਕੋਡ ਦਰਜ ਕਰਕੇ ਆਯਾਤ ਕਰੋ:

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

   ਉਪਰ ਤੁਸੀਂ matplotlib, numpy ਅਤੇ sklearn ਤੋਂ datasets, linear_model ਅਤੇ model_selection ਆਯਾਤ ਕਰ ਰਹੇ ਹੋ। model_selection ਡਾਟਾ ਨੂੰ ਟਰੇਨਿੰਗ ਅਤੇ ਟੈਸਟ ਸੈਟਾਂ ਵਿੱਚ ਵੰਡਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

ਡਾਇਬੀਟੀਜ਼ ਡਾਟਾਸੈੱਟ

ਤਿਆਰਸ਼ੁਦਾ ਡਾਇਬੀਟੀਜ਼ ਡਾਟਾਸੈੱਟ ਵਿੱਚ 442 ਨਮੂਨੇ ਹਨ ਜੋ ਡਾਇਬੀਟੀਜ਼ ਬਾਰੇ ਹਨ, 10 ਫੀਚਰ ਵੈਰੀਏਬਲਾਂ ਸਮੇਤ, ਜਿਹਨਾਂ ਵਿੱਚ ਕੁਝ ਹਨ:

• ਉਮਰ: ਸਾਲਾਂ ਵਿੱਚ ਉਮਰ
• ਬੀਐਮਆਈ: ਬਾਡੀ ਮਾਸ ਇੰਡੈਕਸ
• ਬੀਪੀ: ਔਸਤ ਖੂਨ ਦਾ ਦਬਾਅ
• s1 tc: ਟੀ-ਸੈੱਲ (ਸਫੈਦ ਖੂਨ ਦੀਆਂ ਕੁਝ ਕੋਸ਼ਿਕਾਵਾਂ)

✅ ਇਹ ਡਾਟਾਸੈੱਟ ਲਿੰਗ ਦਾ ਧਾਰਣਾ ਵਰਤਦਾ ਹੈ ਜੋ ਕਿ ਡਾਇਬੀਟੀਜ਼ ਸੰਬੰਧੀ ਖੋਜ ਲਈ ਮਹੱਤਵਪੂਰਨ ਵੈਰੀਏਬਲ ਹੈ। ਕਈ ਮੈਡੀਕਲ ਡਾਟਾਸੈੱਟ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਬਾਇਨਰੀ ਵਰਗੀਕਰਨ ਸ਼ਾਮਿਲ ਕਰਦੇ ਹਨ। ਸੋਚੋ ਕਿ ਇਸ ਵਰਗੀ ਵਰਗੀਕਰਨ ਕਿਵੇਂ ਕੁਝ ਜਨਸੰਖਿਆ ਦਾ ਹਿੱਸਾ ਇਲਾਜ ਤੋਂ ਅਗਾਹ ਨਹੀਂ ਕਰਦੀ।

ਹੁਣ X ਅਤੇ y ਡਾਟਾ ਲੋਡ ਕਰੋ।

🎓 ਯਾਦ ਰੱਖੋ, ਇਹ ਮਾਨੀਟਰਤ ਲਰਨਿੰਗ ਹੈ, ਅਤੇ ਸਾਨੂੰ ਨਾਮ ਦਿੱਤਾ ਹੋਇਆ 'y' ਟਾਰਗੇਟ ਚਾਹੀਦਾ ਹੈ।

ਇੱਕ ਨਵੀਂ ਕੋਡ ਸੈਲ ਵਿੱਚ, load_diabetes() ਕਾਲ ਕਰਕੇ ਡਾਇਬੀਟੀਜ਼ ਡਾਟਾਸੈੱਟ ਲੋਡ ਕਰੋ। ਇਨਪੁਟ return_X_y=True ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ ਕਿ X ਡਾਟਾ ਮੈਟ੍ਰਿਕਸ ਹੋਵੇਗਾ ਅਤੇ y ਰੈਗਰੈਸ਼ਨ ਟਾਰਗੇਟ ਹੋਵੇਗਾ।

1. ਡਾਟਾ ਮੈਟ੍ਰਿਕਸ ਦੇ ਆਕਾਰ ਅਤੇ ਪਹਿਲੇ ਤੱਤ ਨੂੰ ਵੇਖਾਉਣ ਲਈ ਛਪਾਈ ਕਮਾਣਡ ਸ਼ਾਮਿਲ ਕਰੋ:

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

   ਜੋ ਤੁਹਾਨੂੰ ਵਾਪਸ ਮਿਲ ਰਿਹਾ ਹੈ ਉਹ ਇੱਕ ਟਿਊਪਲ ਹੈ। ਤੁਸੀਂ ਇਸ ਟਿਊਪਲ ਦੇ ਪਹਿਲੇ ਦੋ ਮੁੱਲ ਨੂੰ X ਅਤੇ y ਵਿੱਚ ਅਲੱਗ ਕਰ ਰਹੇ ਹੋ। ਟਿਊਪਲਾਂ ਬਾਰੇ ਹੋਰ ਸਿੱਖੋ।

   ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਸ ਡਾਟਾ ਵਿੱਚ 442 ਆਈਟਮ ਹਨ ਜੋ 10 ਤੱਤਾਂ ਵਾਲੇ ਏਰੇਜ਼ ਵਿੱਚ ਹਨ:

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

   ✅ ਡਾਟੇ ਅਤੇ ਰੈਗਰੈਸ਼ਨ ਟਾਰਗੇਟ ਦੇ ਦਰਮਿਆਨ ਸੰਬੰਧ ਬਾਰੇ ਸੋਚੋ। ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਫੀਚਰ X ਅਤੇ ਟਾਰਗੇਟ ਵੈਰੀਏਬਲ y ਵਿਚਕਾਰ ਸੰਬੰਧ ਦੀ ਪੇਸ਼ਗੋਈ ਕਰਦਾ ਹੈ। ਕੀ ਤੁਸੀਂ ਡਾਇਬੀਟੀਜ਼ ਡਾਟਾਸੈੱਟ ਲਈ ਟਾਰਗੇਟ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਲੱਭ ਸਕਦੇ ਹੋ? ਇਹ ਡਾਟਾਸੈੱਟ ਕਿਸ ਗੱਲ ਨੂੰ ਦਰਸਾ ਰਿਹਾ ਹੈ, ਟਾਰਗੇਟ ਦੇ ਨਾਲ?

2. ਹੁਣ ਇਸ ਡਾਟਾਸੈੱਟ ਦੇ ਕੁਝ ਹਿੱਸੇ ਨੂੰ ਚੁਣੋ ਜੋ ਪਲੌਟ ਕਰਨ ਲਈ 3ਰੀ ਕਾਲਮ ਹੈ। ਤੁਸੀਂ ਸਾਰੇ ਕਤਾਰਾਂ ਨੂੰ : ਨਾਲ ਚੁਣ ਸਕਦੇ ਹੋ ਅਤੇ 3ਰੀ ਕਾਲਮ ਨੂੰ ਸੋਚਕ (ਇੰਡੈਕਸ 2) ਨਾਲ ਚੁਣ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ ਡਾਟਾ ਨੂੰ 2D ਐਰੇ ਬਣਾਉਣ ਲਈ reshape(n_rows, n_columns) ਇਸਤੇਮਾਲ ਕਰ ਸਕਦੇ ਹੋ। ਜੇ ਇਕ ਪੈਰਾਮੀਟਰ -1 ਹੈ, ਤਾਂ ਉਸ ਸੰਬੰਧੀ ਮਾਪ ਸਵੈਚਾਲਿਤ ਤੌਰ ਤੇ ਨਿਕਲੇਗਾ।

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

   ✅ ਕਿਸੇ ਵੀ ਸਮੇਂ ਡਾਟੇ ਦਾ ਆਕਾਰ ਚੈੱਕ ਕਰਨ ਲਈ ਛਾਪੋ।

3. ਹੁਣ ਤੁਹਾਡੇ ਕੋਲ ਪਲੌਟ ਕਰਨ ਲਈ ਡਾਟਾ ਤਿਆਰ ਹੈ, ਦੇਖੋ ਕਿ ਕੀ ਮਸ਼ੀਨ ਇਸ ਡਾਟਾ ਦੇ ਨੰਬਰਾਂ ਵਿਚਕਾਰ ਤਰਕਸੰਗਤ ਵੰਡ ਦਾ ਨਿਰਣਾ ਕਰ ਸਕਦੀ ਹੈ। ਇਸ ਲਈ ਤੁਹਾਨੂੰ ਡਾਟਾ (X) ਅਤੇ ਟਾਰਗੇਟ (y) ਦੋਹਾਂ ਨੂੰ ਟੈਸਟ ਅਤੇ ਟ੍ਰੇਨਿੰਗ ਸੈਟਾਂ ਵਿੱਚ ਵੰਡਣਾ ਹੋਵੇਗਾ। Scikit-learn ਵਿੱਚ ਇਸਨੂੰ ਕਰਨ ਦਾ ਸਧਾਰਣ ਤਰੀਕਾ ਹੈ; ਤੁਸੀਂ ਆਪਣੇ ਟੈਸਟ ਡਾਟੇ ਨੂੰ ਕਿਸੇ ਨਿਸ਼ਚਿਤ ਬਿੰਦੂ 'ਤੇ ਵੰਡ ਸਕਦੇ ਹੋ।

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

4. ਹੁਣ ਤੁਸੀਂ ਆਪਣੇ ਮਾਡਲ ਦੀ ਟ੍ਰੇਨਿੰਗ ਲਈ ਤਿਆਰ ਹੋ! ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਮਾਡਲ ਲੋਡ ਕਰੋ ਅਤੇ model.fit() ਵਰਤ ਕੇ ਆਪਣੇ X ਅਤੇ y ਟ੍ਰੇਨਿੰਗ ਸੈਟ ਨਾਲ ਇਸਨੂੰ ਟ੍ਰੇਨ ਕਰੋ:

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

   ✅ model.fit() ਕਈ ML ਲਾਇਬ੍ਰੇਰੀਜ਼ ਜਿਵੇਂ TensorFlow ਵਿੱਚ ਮਿਲਦਾ ਫੰਕਸ਼ਨ ਹੈ

5. ਫਿਰ, predict() ਫੰਕਸ਼ਨ ਨਾਲ ਟੈਸਟ ਡਾਟਾ ਵਰਤ ਕੇ ਪੇਸ਼ਕਸ਼ ਬਣਾਓ। ਇਹ ਮਾਡਲ ਡਾਟਾ ਗਰੁੱਖਾਂ ਵਿਚਕਾਰ ਲਾਈਨ ਖਿੱਚਣ ਲਈ ਵਰਤਿਆ ਜਾਏਗਾ।

   y_pred = model.predict(X_test)
   

6. ਹੁਣ ਡਾਟਾ ਨੂੰ ਪਲੌਟ ਵਿੱਚ ਵੇਖਾਉਣ ਦਾ ਸਮਾਂ ਹੈ। Matplotlib ਇਸ ਕੰਮ ਲਈ ਬਹੁਤ ਲਾਭਕਾਰੀ ਸੰਦ ਹੈ। ਸਾਰੇ X ਅਤੇ y ਟੈਸਟ ਡਾਟੇ ਦਾ ਸਕੈਟਰਪਲੌਟ ਬਣਾਓ, ਅਤੇ ਮਾਡਲ ਦੀ ਪੇਸ਼ਕਸ਼ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਭ ਤੋਂ ਵਧੀਆ ਥਾਂ ਤੇ ਇੱਕ ਲਾਈਨ ਖਿੱਚੋ ਜੋ ਡਾਟਾ ਗਰੁੱਖਾਂ ਵਿਚਕਾਰ ਹੈ।

   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()
   

   

   ✅ ਸੋਚੋ ਕਿ ਇੱਥੇ ਕੀ ਹੋ ਰਿਹਾ ਹੈ। ਇੱਕ ਸਿੱਧੀ ਲਾਈਨ ਬਹੁਤ ਸਾਰੇ ਛੋਟੇ ਡਾਟਾ ਡੌਟਸ ਰਾਹੀਂ ਚੱਲ ਰਹੀ ਹੈ, ਪਰ ਇਹ ਅਸਲ ਵਿੱਚ ਕੀ ਕਰ ਰਹੀ ਹੈ? ਕੀ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਇਸ ਲਾਈਨ ਨੂੰ ਵਰਤ ਕੇ ਕਿਸ ਤਰ੍ਹਾਂ ਇੱਕ ਨਵਾਂ, ਨਾ-ਦੇਖਿਆ ਡਾਟਾ ਪੁਆਇੰਟ ਪਲੌਟ ਦੇ y ਐਕਸਿਸ ਨਾਲ ਸੰਬੰਧਤ ਕਿੱਥੇ ਫਿੱਟ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਇਸਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦੇ ਹੋ? ਇਸ ਮਾਡਲ ਦੀ ਹੱਕੀਕਤੀ ਵਰਤੋਂ ਨੂੰ ਸਬਦਾਂ ਵਿੱਚ ਪ੍ਰਗਟ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।

ਵਧਾਈ ਹੋਵੇ, ਤੁਸੀਂ ਆਪਣਾ ਪਹਿਲਾ ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਇਆ, ਇਸ ਨਾਲ ਪੇਸ਼ਕਸ਼ ਕੀਤੀ ਅਤੇ ਇੱਕ ਪਲੌਟ ਵਿੱਚ ਦਿਖਾਇਆ!

---

🚀ਚੈਲ plainਜੇ

ਇਸ ਡਾਟਾਸੈੱਟ ਵਿੱਚੋਂ ਵੱਖਰਾ ਵੈਰੀਏਬਲ ਪਲੌਟ ਕਰੋ। ਇਸ਼ਾਰਾ: ਇਸ ਲਾਈਨ ਨੂੰ ਸੋਧੋ: X = X[:,2]। ਇਸ ਡਾਟਾਸੈੱਟ ਦੇ ਟਾਰਗੇਟ ਦੇ ਅਧਾਰ ਤੇ, ਤੁਸੀਂ ਡਾਇਬੀਟੀਜ਼ ਦੀ ਬੀਮਾਰੀ ਦੇ ਵਿਕਾਸ ਬਾਰੇ ਕੀ ਖੋਜ ਸਕਦੇ ਹੋ?

ਪਾਠਕ੍ਰਮ ਬਾਅਦ ਦਾ ਕੁਇਜ਼

ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ

ਇਸ ਟਿਊਟੋਰਿਯਲ ਵਿੱਚ, ਤੁਸੀਂ ਸਧਾਰਣ ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਨਾਲ ਕੰਮ ਕੀਤਾ ਹੈ, ਨਾ ਕਿ ਇੱਕ-ਵੈਰੀਏਬਲ ਜਾਂ ਕਈ-ਵੈਰੀਏਬਲ ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਨਾਲ। ਇਹਨਾਂ ਮੈਥਡਾਂ ਦੇ ਫਰਕ ਬਾਰੇ ਕੁਝ ਪੜ੍ਹੋ, ਜਾਂ ਇਸ ਵੀਡੀਓ ਨੂੰ ਦੇਖੋ।

ਰੈਗ੍ਰੈਸ਼ਨ ਦੀ ਧਾਰਣਾ ਬਾਰੇ ਹੋਰ ਪੜ੍ਹੋ ਅਤੇ ਸੋਚੋ ਕਿ ਇਸ ਤਕਨੀਕ ਨਾਲ ਕਿਸ ਕਿਸਮ ਦੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿੱਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਆਪਣੀ ਸਮਝ ਨੂੰ ਗਹਿਰਾ ਕਰਨ ਲਈ ਇਸ ਟਿਊਟੋਰਿਯਲ ਨੂੰ ਲਵੋ।

ਅਸਾਈਨਮੈਂਟ

ਇਕ ਵੱਖਰਾ ਡੇਟਾ ਸੈੱਟ

---

ਅਸਵੀਕਾਰੋਪਣ: ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ ਏਆਈ ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾਵਾਂ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮੱਤਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜਵਾਬਦੇਹ ਨਹੀਂ ਹਾਂ।