Chinese, Simplified subtitles

← Extracting Information from sklearn - Intro to Machine Learning

Get Embed Code
5 Languages

Showing Revision 5 created 10/10/2016 by Udacity Robot.

  1. 在离开这个编码示例前 我希望向你展示
  2. 一些能充分发挥回归作用的代码
  3. 首先是你可能想要用来进行预测的代码
  4. 当然 它不应该那么困难
  5. 因此 你在回归上调用 predict 函数就行了
  6. 但有一个小问题 它会需要一个列表(作为参数)
  7. 所以 即使你只有一个要预测的值
  8. 仍然需要将其放入列表中
  9. 你可能还想知道回归的
  10. 系数和截距是什么
  11. 你可以使用 reg.coef_ 和
  12. Reg.intercept_ 来获取这些信息 正如你此处所见
  13. 别忘了这里的短下划线
  14. 否则 它会弄不懂你在说什么
  15. 请记住 我们预计的斜率十分接近 6.25
  16. 但可能并不准确
  17. 截距应该接近 0
  18. 但同样 我们不期待它完全正确
  19. 因为我们的训练数据中存在一些噪声
  20. 这里还有几行关于 r 平方分数的代码
  21. 我会立刻回头介绍这些代码
  22. 但我现在希望向你介绍
  23. 什么是预测、系数和截距
  24. 这三行是我们刚刚介绍过的内容
  25. 我可以根据回归预测净值
  26. 根据我的年龄 它大约为 160
  27. 我们也可以打印出斜率和截距
  28. 记住 我们原以为斜率大约为 6.25
  29. 很接近 但不完全一样
  30. 截距也是一样 并不刚好为 0
  31. 在下面几个视频中 我们将详细介绍
  32. 回归上可能会出现的误差类型
  33. 因为它们与分类中可能出现的误差类型
  34. 有根本上的不同
  35. 最后
  36. 我们将计算所谓的 r 平方
  37. 现在 下面几行提供了一些有关
  38. 回归性能的输出
  39. 所以 我们将在后续视频中详细介绍的一种回归评估方法是
  40. 一个称为 R 平方的指标
  41. 此外还有误差和 我们会讨论所有这些内容
  42. 但现在 让我先向你展示它的外观
  43. 以便你有理由理解其重要性
  44. 你将使用在回归上执行的
  45. 分数函数来访问这些性能指标
  46. 你始终希望查看测试数据上的分数
  47. 因为你显然会使用训练数据来拟合回归
  48. 所以 如果存在任何过拟合 继续执行此操作就会
  49. 在查看测试数据时显示较低的分数