Построение простой модели машинного обучения

from случайный import randint

# ограничение, в пределах которого генерируются случайные числа

TRAIN_SET_LIMIT = 1000

# создать ровно 100 элементов данных

TRAIN_SET_COUNT = 100


# список, содержащий ввод и соответствующий вывод


# добавить каждый вывод в список вывода

TRAIN_OUTPUT.append (op)

Модель машинного обучения — линейная регрессия

Модель можно создать в два этапа:
1. Обучение модели с использованием обучающих данных
2. Тестирование моделей с помощью тестовых данных

Обучение модели
Для обучения модели используются данные, сгенерированные с помощью приведенного выше кода.

# Sk-Learn содержит модель линейной регрессии

from sklearn .linear_model import LinearRegression

# Инициализировать модель линейной регрессии

предиктор = LinearRegression (n_jobs = - 1 )

# Заполняем модель данными

Predictor.fit (X = TRAIN_INPUT, y = TRAIN_OUTPUT)

Тестирование данных
Тестирование выполняется вручную. Тестирование может быть выполнено с использованием некоторых случайных данных и тестирования, если модель дает правильный результат для ввода.

# Случайные тестовые данные
X_TEST = [[10, 20, 30]]

# Предсказать результат X_TEST, который содержит данные тестирования
result = Predictor.predict (X = X_TEST)

# Предсказать коэффициенты
коэффициенты = Predictor.coef_

# Печать результат, полученный для тестовых данных

print ( `Результат: {} Коэффициенты: {}` .format (результат, коэффициенты))

Результат приведенных выше тестовых данных должен быть 10 + 20 * 2 + 30 * 3 = 140.
Выход

Результат: [140.] Коэффициенты: [ 1. 2. 3.]