Afficher droite de régression linéaire

Bonjour,

J'ai un modèle de régression linéaire :

Code:

---

1 2 3

from sklearn.linear_model import LinearRegressionregressor = LinearRegression() regressor.fit(X_train, y_train) prediction = regressor.predict(X_test)

---

Le soucis est pour afficher (avec Matplotlib ou autre librairie) la droite de régression linéaire qui a été calculée par sklearn.

Comment faire cette petite chose qui semble toute simple ?

Merci.

A+ ;)

Salut,

prediction est array de dimension 1. Je vais supposé que X_test est de dimension (n,1). Normalement X_train doit être un array de dimension (n,d) avec n le nombre d'observations/points et d le nombre de features, tandis que y_train doit être de dimension (n,), c'est à dire une liste (pas d'erreur, il n'y a rien après la virgule). Je précise, parce que je me suis souvent pris la tête avec ces problèmes de dimensions...

La seule difficulté est alors de passer X_test de la dimension (m,1), avec m le nombre de points, à la dimension (m,). Autrement dit d'un vecteur colonne à une liste. Pour ces changement de forme, j'ai une préférence pour np.hstack() et np.vstack(), le premier mettant à l'horizontal et l'autre à la vertical.

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

import numpy as np import matplotlib.pyplot as plt   from sklearn.linear_model import LinearRegression   # Creation d'un jeux de données basique x = np.linspace(0, 20, 21) y = x + np.random.rand(21) X_train, y_train = np.vstack(x), y X_test = np.vstack(np.linspace(0, 20, 6))   # Model de regression regressor = LinearRegression() regressor.fit(X_train, y_train) prediction = regressor.predict(X_test)   # On fait un petit graph fig, ax = plt.subplots() ax.scatter(np.hstack(X_train), y_train, label='Training set') ax.scatter(np.hstack(X_test), prediction, color='red', label='Prediction') ax.set_xlabel('Input') ax.set_ylabel('Output') ax.legend()   plt.show()

---

Ce qui donne :
Pièce jointe 574601

J

Citation:

---

Envoyé par Julien N

Salut,[...]

---

Merci beaucoup pour tes explications précises et complètes : C'est très appréciable. :mouarf:

Je vais tester cela.

A+ ;)