forked from filipg/aitech-eks-pub
Merge git.wmi.amu.edu.pl:filipg/aitech-eks
This commit is contained in:
commit
550a399bff
1050
cw/08_regresja_logistyczna.ipynb
Normal file
1050
cw/08_regresja_logistyczna.ipynb
Normal file
File diff suppressed because it is too large
Load Diff
1242
cw/08_regresja_logistyczna_ODPOWIEDZI.ipynb
Normal file
1242
cw/08_regresja_logistyczna_ODPOWIEDZI.ipynb
Normal file
File diff suppressed because it is too large
Load Diff
@ -2,7 +2,7 @@
|
||||
"cells": [
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "damaged-senator",
|
||||
"id": "moderate-array",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"# Klasyfikacja binarna dla tekstu\n",
|
||||
@ -14,7 +14,7 @@
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "explicit-gathering",
|
||||
"id": "correct-victory",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"**Pytanie**: Czy można wyobrazić sobie zadanie klasyfikacji mejli, niebędące zadaniem klasyfikacji binarnej?"
|
||||
@ -22,7 +22,7 @@
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "material-watch",
|
||||
"id": "spiritual-diploma",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Zakładamy paradygmat uczenia nadzorowanego, tzn. dysponujemy zbiorem uczącym.\n",
|
||||
@ -32,7 +32,7 @@
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "referenced-hello",
|
||||
"id": "secure-performance",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"## Klasyfikacja regułowa\n",
|
||||
@ -49,14 +49,14 @@
|
||||
"body __FRAUD_XJR\t/(?:who was a|as a|an? honest|you being a|to any) foreigner/i\n",
|
||||
"```\n",
|
||||
"\n",
|
||||
"Jakie są wady i zalety regułowych filtrów antyspamowych?\n",
|
||||
"**Pytanie:** Jakie są wady i zalety regułowych filtrów antyspamowych?\n",
|
||||
"\n",
|
||||
"Współcześnie zdecydowanie dominuje użycie metod statystycznych (opartych na nadzorowanym uczeniu maszynowym). Do popularności tych metod przyczynił się artykuł [Plan for spam](http://www.paulgraham.com/spam.html) autorstwa Paula Grahama."
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "cathedral-uganda",
|
||||
"id": "indoor-ending",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"## Podejście generatywne i dyskryminatywne\n",
|
||||
@ -72,7 +72,7 @@
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "powerful-engineer",
|
||||
"id": "pleased-clinic",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"## Nasz \"dyżurny\" przykład\n",
|
||||
@ -94,11 +94,31 @@
|
||||
"Zakładamy, że dokumenty podlegają lematyzacji i sprowadzeniu do mały liter, więc ostatecznie będziemy mieli następujące ciąg termów:\n",
|
||||
"\n",
|
||||
"* $x_1=(\\mathit{kupić}, \\mathit{pan}, \\mathit{viagra})$\n",
|
||||
"* $x_2=(\\mathit{tani}, \\mathit{miejsce}, \\mathit{dla}, \\mathit{pana})$\n",
|
||||
"* $x_2=(\\mathit{tani}, \\mathit{miejsce}, \\mathit{dla}, \\mathit{pan})$\n",
|
||||
"* $x_3=(\\mathit{viagra}, \\mathit{viagra}, \\mathit{viagra})$\n",
|
||||
"* $x_4=(\\mathit{kupić}, \\mathit{tani}, \\mathit{cartridge})$\n",
|
||||
"\n",
|
||||
"Uczymy na tym zbiorze klasyfikator, który będziemy testować na dokumencie $d=\\mathit{tania tania viagra dla pana}$, tj. po normalizacji\n",
|
||||
"$P(tani|c) = (1+1)/(9+7) = 2/16 = 0.125$\n",
|
||||
"$P(viagra|c) = \\frac{4+1}{9 + 7} = 5/16 = 0.3125 $\n",
|
||||
"$P(dla|c) = \\frac{0+1}{9+7} = 1/16 = 0.0625$\n",
|
||||
"$P(pan|c) = (1+1)/(9+7) = 2/16 = 0.125 $\n",
|
||||
"$P(c) = 0.75$\n",
|
||||
"\n",
|
||||
"w wersji wielomianowej: $P(c)P(tani|c)P(tani|c)P(viagra|c)P(dla|c)P(pan|c) = 0.75 * 0.125 * 0.125 * 0.3125 * 0.0625 * 0.125= 0.0002861$\n",
|
||||
"\n",
|
||||
"w werjis Bernoulliego: $P(c)P(U_{dla}=1|c)P(U_{cartridge}=0|c)P(U_{viagra}=1|c)P(U_{pan}=1|c)P(U_{tani}=1|c)P(U_{miejsce}=0|c)P(U_{kup}=0|c)$\n",
|
||||
"\n",
|
||||
"$P(tani|\\bar{c}) = (1+1)/(4+7) = 2/11 =0.182 $\n",
|
||||
"$P(viagra|\\bar{c}) = 1/11 = 0.091 $\n",
|
||||
"$P(dla|\\bar{c}) = 2/11 = 0.182 $\n",
|
||||
"$P(pan|\\bar{c}) = 2/11 = 0.182 $\n",
|
||||
"$P(\\bar{c}) = 0.25$\n",
|
||||
"\n",
|
||||
"$P(\\bar{c})P(tani|\\bar{c})P(tani|\\bar{c})P(dla|\\bar{c})P(pan|\\bar{c}) = 0.25 * 0.182 * 0.182 * 0.091 * 0.182 * 0.182 = 0.00002496$\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Uczymy na tym zbiorze klasyfikator, który będziemy testować na dokumencie $d=\\mathit{tania\\ tania\\ viagra\\ dla\\ pana}$, tj. po normalizacji\n",
|
||||
"$d=(\\mathit{tani}, \\mathit{tani}, \\mathit{viagra}, \\mathit{dla}, \\mathit{pan})$.\n",
|
||||
"\n",
|
||||
"**Uwaga:** Przykład jest oczywiście nierealistyczny i trudno będzie nam ocenić sensowność odpowiedzi. Za to będziemy w stanie policzyć ręcznie wynik.\n"
|
||||
@ -106,7 +126,7 @@
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "controversial-rotation",
|
||||
"id": "partial-military",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"## Naiwny klasyfikator bayesowski\n",
|
||||
@ -127,7 +147,7 @@
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "spatial-citizenship",
|
||||
"id": "colonial-creature",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Mamy dokument $d$ i dwie klasy $c$ i $\\bar{c}$. Policzymy prawdopodobieństwa $P(c|d)$ (mamy dokument $d$, jakie jest prawdopodobieństwo, że to klasa $c$) i $P(\\bar{c}|d)$. A właściwie będziemy te prawdopodobieństwa porównywać.\n",
|
||||
@ -139,25 +159,25 @@
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "united-recognition",
|
||||
"id": "governing-fiction",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Zastosujmy najpierw wzór Bayesa.\n",
|
||||
"\n",
|
||||
"$P(c|d) = \\frac{P(d|c) P(c)}{P(d)} \\propto P(d|c) P(c)$"
|
||||
"$P(c|d) = \\frac{P(d|c) P(c)}{P(d)}$"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "present-draft",
|
||||
"id": "northern-spine",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"$P(\\bar{c}|d) = \\frac{P(d|\\bar{c}) P(\\bar{c})}{P(d)} \\propto P(d|\\bar{c}) P(\\bar{c}) $"
|
||||
"$P(\\bar{c}|d) = \\frac{P(d|\\bar{c}) P(\\bar{c})}{P(d)}$"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "accepting-tamil",
|
||||
"id": "utility-induction",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"(Oczywiście skądinąd $P(\\bar{c}|d) = 1 - P(c|d)$, ale nie będziemy teraz tego wykorzystywali.)"
|
||||
@ -165,7 +185,7 @@
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "equipped-outreach",
|
||||
"id": "timely-force",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Co możemy pominąć, jeśli tylko porównujemy $P(c|d)$ i $P(\\bar{c}|d)$?\n",
|
||||
@ -181,7 +201,7 @@
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "active-motor",
|
||||
"id": "embedded-involvement",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"#### Prawdopodobieństwo _a priori_\n",
|
||||
@ -193,12 +213,16 @@
|
||||
"gdzie\n",
|
||||
"\n",
|
||||
"* N - liczba wszystkich dokumentów w zbiorze uczącym\n",
|
||||
"* N_c - liczba dokumentow w zbiorze uczącym z klasą $c$\n"
|
||||
"* N_c - liczba dokumentow w zbiorze uczącym z klasą $c$\n",
|
||||
"\n",
|
||||
"$\\hat{P}(c) = 0,75$\n",
|
||||
"\n",
|
||||
"$\\hat{P}(\\bar{c}) = 0,25$\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "trying-indonesian",
|
||||
"id": "virgin-premiere",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"#### Prawdopodobieństwo _a posteriori_\n",
|
||||
@ -212,7 +236,7 @@
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "median-nomination",
|
||||
"id": "acting-zimbabwe",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"$P(d|c) = P(t_1\\dots t_n|c)$\n",
|
||||
@ -228,7 +252,7 @@
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "romantic-verse",
|
||||
"id": "adjustable-disney",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Jak oszacować $\\hat{P}(t|c)$?\n",
|
||||
@ -238,7 +262,7 @@
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "interracial-today",
|
||||
"id": "associate-variance",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"### Wygładzanie\n",
|
||||
@ -260,12 +284,17 @@
|
||||
"4. $f(m, 0, 0) = \\frac{1}{m}$\n",
|
||||
"5. $\\lim_{T \\to \\inf} f(m, k, T) = \\frac{k}{T}$\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"m=2, k1=2, k2=4, T=6, 2/6 => f(2, 2, 6) > 0.333, f(2, 4, 6) < 0.666 \n",
|
||||
"\n",
|
||||
"Jaka funkcja spełnia te aksjomaty?\n",
|
||||
"\n",
|
||||
"$$f(m, k, T) = \\frac{k+1}{T+m}$$\n",
|
||||
"\n",
|
||||
"Jest to wygładzanie +1, albo wygładzanie Laplace'a.\n",
|
||||
"\n",
|
||||
"**Pytanie:** Wymyślić jakiś inny przykład funkcji, która będzie spełniała aksjomaty.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
@ -275,7 +304,7 @@
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "accepting-stockholm",
|
||||
"id": "complimentary-airplane",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Po zastosowaniu do naszego naiwnego klasyfikatora otrzymamy:\n",
|
||||
@ -283,10 +312,35 @@
|
||||
"$$\\hat{P}(t|c) = \\frac{\\#(t,c) + 1}{\\sum_i^{|V|} \\#(t_i,c) + |V|}$$"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "comprehensive-junior",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"### Metoda Bernoulliego"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "vocational-spanish",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"$$P(𝑑|𝑐) \\approx P(U=u_1|c)\\dots P(U=u_{|v|})$$, gdzie $u_i = 1$, $t_i$ pojawił się w dokumencie $d$, 0 - w przeciwnym razie\n",
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "enabling-manitoba",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"$\\hat{P}(U_{viagra}=1|c) = \\frac{\\#(viagra,N_c) + 1}{N_c + 2}$"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"id": "moral-ceremony",
|
||||
"id": "bearing-execution",
|
||||
"metadata": {},
|
||||
"outputs": [],
|
||||
"source": []
|
||||
|
214
wyk/08_Regresja_liniowa.ipynb
Normal file
214
wyk/08_Regresja_liniowa.ipynb
Normal file
@ -0,0 +1,214 @@
|
||||
{
|
||||
"cells": [
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "continent-intermediate",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"# Regresja liniowa\n",
|
||||
"\n",
|
||||
"Regresja liniowa jest prosta...\n",
|
||||
"\n",
|
||||
"![Ceny mieszkań](./08_files/linregr1.png)\n",
|
||||
"\n",
|
||||
"... dosłownie — dopasuj prostą $y = ax + b$ do punktów\n",
|
||||
"\n",
|
||||
"Należy odgadnąć $a$ i $b$ tak, aby zminimalizować błąd\n",
|
||||
"kwadratowy, tj. wartość:\n",
|
||||
"\n",
|
||||
"$$\\sum_{i=1}^n (y_i - (ax_i + b))^2$$\n",
|
||||
"\n",
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "original-speed",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Regresje liniowa (jednej zmiennej) jest łatwa do rozwiązania — wystarczy podstawić do wzoru!\n",
|
||||
"\n",
|
||||
"$$\\hat{b} = \\frac{ \\sum_{i=1}^{n}{x_i y_i} - \\frac{1}{n} \\sum_{i=1}^n x_i\n",
|
||||
" \\sum_{j=1}^n y_j}{ \\sum_{i=1}^n {x_i^2} - \\frac{1}{n} (\\sum_{i=1}^n\n",
|
||||
" x_i)^2 }$$\n",
|
||||
"\n",
|
||||
"$$\\hat{a} = \\bar{y} - \\hat{b}\\,\\bar{x}$$\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Na przykład dla mieszkań: $b =$ -30809.203 zł, $a =$ 5733.693 zł/m$^2$.\n",
|
||||
"\n",
|
||||
"![Ceny mieszkań](./08_files/linregr2.png)\n",
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "significant-relaxation",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"## Regresja wielu zmiennych\n",
|
||||
"\n",
|
||||
"W praktyce mamy do czynienia z **wielowymiarową** regresją\n",
|
||||
"liniową.\n",
|
||||
"\n",
|
||||
"Cena mieszkań może być prognozowana na podstawie:\n",
|
||||
"\n",
|
||||
"* powierzchni ($x_1 = 32.3$) \n",
|
||||
"\n",
|
||||
"* liczby pokoi ($x_2 = 3$)\n",
|
||||
" \n",
|
||||
"* piętra ($x_3 = 4$)\n",
|
||||
"\n",
|
||||
"* wieku ($x_4 = 13$)\n",
|
||||
"\n",
|
||||
"* odległości od Dworca Centralnego w Warszawie ($x_5 = 371.3$)\n",
|
||||
"\n",
|
||||
"* cech zerojedynkowych:\n",
|
||||
"\n",
|
||||
" * czy wielka płyta? ($x_6 = 0$)\n",
|
||||
"\n",
|
||||
" * czy jest jacuzzi? ($x_7 = 1$)\n",
|
||||
"\n",
|
||||
" * czy jest grzyb? ($x_8 = 0$)\n",
|
||||
"\n",
|
||||
" * czy to Kielce? ($x_9 = 1$)\n",
|
||||
"\n",
|
||||
"* ...\n",
|
||||
"\n",
|
||||
"... więc uogólniamy na wiele ($k$) wymiarów:\n",
|
||||
"\n",
|
||||
"$$ y = w_0 + w_1x_1 + \\ldots + w_kx_k = w_0 + \\sum_{j=1}^{k} w_jx_j $$\n",
|
||||
"\n",
|
||||
"gdzie:\n",
|
||||
"\n",
|
||||
"* $x_1,\\dots,x_k$ -- zmienne, na podstawie których zgadujemy\n",
|
||||
"\n",
|
||||
"* $w_0, w_1,\\dots,w_k$ -- wagi modelu (do wymyślenia na\n",
|
||||
" podstawie przykładów)\n",
|
||||
"\n",
|
||||
"* $y$ -- odgadywana wartość\n",
|
||||
"\n",
|
||||
"Też istnieje wzór ładny wzór na wyliczenie wektora wag!\n",
|
||||
"\n",
|
||||
"$$\\mathbf{w} = (\\mathbf{X}^{\\rm T}\\mathbf{X})^{-1} \\mathbf{X}^{\\rm T}\\mathbf{y}$$\n",
|
||||
"\n",
|
||||
"... niestety odwracanie macierzy nie jest tanie :("
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "ordinary-appendix",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"## Kilka sporzeżeń\n",
|
||||
"\n",
|
||||
"Regresja liniowa to najprostszy możliwy model:\n",
|
||||
"\n",
|
||||
"* im czegoś więcej na wejściu, tym proporcjonalnie (troszkę) więcej/mniej na wyjściu\n",
|
||||
"\n",
|
||||
"* nic prostszego nie da się wymyślić (funkcja stała??)\n",
|
||||
"\n",
|
||||
"* niestety model liniowy czasami kompletnie nie ma sensu (np. wzrost człowieka w\n",
|
||||
" stosunku do wieku)\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "egyptian-austria",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"## Uczenie\n",
|
||||
"\n",
|
||||
"A jak nauczyć się wag z przykładów?\n",
|
||||
"\n",
|
||||
"* wzór (z odwracaniem macierzy) — problematyczny\n",
|
||||
"\n",
|
||||
"### Metoda gradientu prostego\n",
|
||||
"\n",
|
||||
"![Morskie Oko - Krzysztof Dudzik](08_files/morskieoko.jpg)\n",
|
||||
"\n",
|
||||
"Schodź wzdłuż lokalnego spadku funkcji błędu.\n",
|
||||
"\n",
|
||||
"Tak więc w praktyce zamiast podstawiać do wzoru lepiej się uczyć iteracyjnie -\n",
|
||||
" metodą **gradientu prostego** (ang. _gradient descent_).\n",
|
||||
"\n",
|
||||
"1. Zacznij od byle jakich wag $w_i$ (np. wylosuj)\n",
|
||||
"2. Weź losowy przykład uczący $x_1,\\dots,x_n$, $y$.\n",
|
||||
"3. Oblicz wyjście $\\hat{y}$ na podstawie $x_1,\\dots,x_n$.\n",
|
||||
"4. Oblicz funkcję błędu między $y$ a $\\hat{y}$.\n",
|
||||
"5. Zmodyfikuj lekko wagi $(w_i)$ w kierunku spadku funkcji błędu.\n",
|
||||
"6. Jeśli błąd jest duży, idź do 2.\n",
|
||||
"\n",
|
||||
"Modyfikacja wag:\n",
|
||||
"\n",
|
||||
"$$w_i := w_i - x_i (\\hat{y} - y) \\eta$$\n",
|
||||
"\n",
|
||||
"gdzie $\\eta$ to **współczynnik uczenia** _learning rate_.\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "exact-train",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"## Ewaluacja regresji\n",
|
||||
"\n",
|
||||
"To miary błędu (im mniej, tym lepiej!)}\n",
|
||||
"\n",
|
||||
"### Błąd bezwzględny (Mean Absolute Error, MAE)\n",
|
||||
"\n",
|
||||
"$$\\frac{1}{n}\\sum_{i=1}^n |\\hat{y}_i - y_i| $$\n",
|
||||
"\n",
|
||||
"### Mean Squared Error (MSE)\n",
|
||||
"\n",
|
||||
"$$\\frac{1}{n}\\sum_{i=1}^n (\\hat{y}_i - y_i)^2$$\n",
|
||||
"\n",
|
||||
"### Root Mean Squared Error (RMSE)\n",
|
||||
"\n",
|
||||
"$$\\sqrt{\\frac{1}{n}\\sum_{i=1}^n (\\hat{y}_i - y_i)^2}$$\n",
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "selective-agriculture",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"## Regresja liniowa dla tekstu\n",
|
||||
"\n",
|
||||
"Czym jest wektor $\\vec{x} = (x_1,\\dots,x_n)$? Wiemy, np. reprezentacja tf-idf (być z trikiem z haszowaniem, Word2vec etc.).\n",
|
||||
"\n",
|
||||
"![schemat regresji liniowej](08_files/regresja-liniowa-tekst.png)\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"id": "numerous-limitation",
|
||||
"metadata": {},
|
||||
"outputs": [],
|
||||
"source": []
|
||||
}
|
||||
],
|
||||
"metadata": {
|
||||
"kernelspec": {
|
||||
"display_name": "Python 3",
|
||||
"language": "python",
|
||||
"name": "python3"
|
||||
},
|
||||
"language_info": {
|
||||
"codemirror_mode": {
|
||||
"name": "ipython",
|
||||
"version": 3
|
||||
},
|
||||
"file_extension": ".py",
|
||||
"mimetype": "text/x-python",
|
||||
"name": "python",
|
||||
"nbconvert_exporter": "python",
|
||||
"pygments_lexer": "ipython3",
|
||||
"version": "3.9.2"
|
||||
}
|
||||
},
|
||||
"nbformat": 4,
|
||||
"nbformat_minor": 5
|
||||
}
|
BIN
wyk/08_files/linregr1.pdf
Normal file
BIN
wyk/08_files/linregr1.pdf
Normal file
Binary file not shown.
BIN
wyk/08_files/linregr1.png
Normal file
BIN
wyk/08_files/linregr1.png
Normal file
Binary file not shown.
After Width: | Height: | Size: 101 KiB |
8
wyk/08_files/linregr1.r
Normal file
8
wyk/08_files/linregr1.r
Normal file
@ -0,0 +1,8 @@
|
||||
library(ggplot2)
|
||||
|
||||
prices = read.csv("mieszkania.tsv", sep="\t", header=TRUE)
|
||||
prices$area = prices$powierzchnia
|
||||
prices$price = prices$cena
|
||||
pdf("linregr1.pdf")
|
||||
ggplot(prices, aes(x=area, y=price)) + geom_point()
|
||||
dev.off()
|
BIN
wyk/08_files/linregr2.pdf
Normal file
BIN
wyk/08_files/linregr2.pdf
Normal file
Binary file not shown.
BIN
wyk/08_files/linregr2.png
Normal file
BIN
wyk/08_files/linregr2.png
Normal file
Binary file not shown.
After Width: | Height: | Size: 125 KiB |
8
wyk/08_files/linregr2.r
Normal file
8
wyk/08_files/linregr2.r
Normal file
@ -0,0 +1,8 @@
|
||||
library(ggplot2)
|
||||
|
||||
prices = read.csv("mieszkania.tsv", sep="\t", header=TRUE)
|
||||
prices$area = prices$powierzchnia
|
||||
prices$price = prices$cena
|
||||
pdf("linregr2.pdf")
|
||||
ggplot(prices, aes(x=area, y=price)) + geom_point() + stat_smooth(method=lm, se=FALSE)
|
||||
dev.off()
|
121
wyk/08_files/mieszkania.tsv
Normal file
121
wyk/08_files/mieszkania.tsv
Normal file
@ -0,0 +1,121 @@
|
||||
powierzchnia cena
|
||||
53 215000
|
||||
60.01 219990
|
||||
54 285000
|
||||
60 330000
|
||||
63 212000
|
||||
39 219000
|
||||
76.11 399000
|
||||
48 119000
|
||||
42.19 260000
|
||||
53.41 323000
|
||||
65.65 555000
|
||||
65 185000
|
||||
55 247000
|
||||
100 280000
|
||||
56 224000
|
||||
39 230000
|
||||
42.3 179000
|
||||
49.65 305000
|
||||
68 345000
|
||||
37 145000
|
||||
103 529000
|
||||
62.3 209000
|
||||
17.65 42000
|
||||
45 500000
|
||||
36.15 140000
|
||||
45 159000
|
||||
50 130000
|
||||
48 84000
|
||||
36 359000
|
||||
39.3 116400
|
||||
49.48 136950
|
||||
26 85000
|
||||
72 469000
|
||||
64 239000
|
||||
55 435000
|
||||
90 175903
|
||||
90 175903
|
||||
90 175903
|
||||
127.88 1710000
|
||||
59 649000
|
||||
48.7 240000
|
||||
73 259000
|
||||
32.9 275000
|
||||
64 170000
|
||||
44.72 174408
|
||||
68 275000
|
||||
38 323000
|
||||
35 110000
|
||||
63 165000
|
||||
25 69000
|
||||
50 290000
|
||||
76.312 572325
|
||||
65 429000
|
||||
52.5 499000
|
||||
58 145000
|
||||
34 95000
|
||||
46 280000
|
||||
38 120000
|
||||
52 269000
|
||||
47 105000
|
||||
63 266000
|
||||
67.79 275000
|
||||
60 550000
|
||||
107 1230000
|
||||
53 228000
|
||||
48.65 148000
|
||||
39 140000
|
||||
23 170000
|
||||
35 195000
|
||||
71.19 245000
|
||||
75 329000
|
||||
53 185000
|
||||
51 135000
|
||||
42 133000
|
||||
38 142000
|
||||
45.6 470000
|
||||
50 194000
|
||||
29 158999
|
||||
28.8 199000
|
||||
36 199000
|
||||
57.43 385621
|
||||
57.71 402305
|
||||
60.12 395000
|
||||
38 210000
|
||||
56.28 419000
|
||||
60 346800
|
||||
41 295000
|
||||
28.7 219000
|
||||
39 275000
|
||||
37 105000
|
||||
47 330000
|
||||
64 435000
|
||||
96 151200
|
||||
35.34 87000
|
||||
101 489000
|
||||
50 129000
|
||||
49.5 315000
|
||||
14 2000
|
||||
31 110000
|
||||
50.9 265000
|
||||
117 129000
|
||||
52.2 250000
|
||||
28 140000
|
||||
15 5000
|
||||
41.7 249000
|
||||
56.4 490000
|
||||
30.9 161000
|
||||
42.3 229000
|
||||
53 270000
|
||||
72.4 409000
|
||||
52.9 370000
|
||||
37.77 135000
|
||||
82 260000
|
||||
32 195000
|
||||
59 590000
|
||||
62.01 205000
|
||||
52.5 543000
|
||||
56 170000
|
||||
67.61 285000
|
||||
51 494000
|
|
BIN
wyk/08_files/morskieoko.jpg
Normal file
BIN
wyk/08_files/morskieoko.jpg
Normal file
Binary file not shown.
After Width: | Height: | Size: 291 KiB |
BIN
wyk/08_files/regresja-liniowa-tekst.png
Normal file
BIN
wyk/08_files/regresja-liniowa-tekst.png
Normal file
Binary file not shown.
After Width: | Height: | Size: 61 KiB |
Loading…
Reference in New Issue
Block a user