محاسبه رگرسیون با استفاده از Scikit-Learn

کتابخانه Scikit-Learn یکی از کتابخانه های اصلی پایتون برای کاربردهای یادگیری ماشین است. به کمک این کتابخانه می توان تحلیل های زیر را با سرعت بسیار بالا انجام داد:

رگرسیون خطی (Linear Regression)
رگرسیون لوجستیک (Logestic Regression)
درخت تصمیم (Decesion Tree)
خوشه بندی (Clustering)
تحلیل K-Means

در تصویر این پست، یک تابع تصادفی ایجاد، و رگرسیون آن محاسبه و رسم شده است.
همچنین در یک نقطه مشخص، پیش بینی تابع محاسبه شده است. ان شاء الله در پست های آتی در خصوص اهمیت رگرسیون در صنعت مالی و همچنین کاربردهای Scikit-Learn بیشتر صحبت خواهیم کرد.

#رگرسیون
#یادگیری_ماشین
#پایتون_مالی
#Scikit-Learn

@python4finance

مروری بر یادگیری ماشین با پایتون - بخش اول

در چند پست آتی قصد دارم در خصوص یادگیری ماشین به صورت عملی توضیحاتی را تقدیم کنم.
اگر با مفاهیم یادگیری ماشین آشنایی زیادی ندارید حتما این لینک را مشاهده نمایید.
در ادبیات یادگیری ماشین، داده ها عموما به دو دسته train و test تقسیم می شوند. داده های train برای یادگیری مدل مورد استفاده قرار می گیرند و کیفیت مدل با داده های test مورد ارزیابی قرار می گیرد. درصدی که برای داده های train در نظر گرفته می شود بستگی به عوامل زیادی دارد اما معمولا بین 70 تا 80 درصد داده ها است.
در مثال این پست، داده های دو شرکت اپل و مایکروسافت دریافت شده و با استفاده از ماژول scikit-learn ، تعداد 30% داده ها به عنوان داده تست و 70% مابقی به عنوان داده train انتخاب می شود و رسم می شود.

#یادگیری_ماشین
#معاملات_الگوریتمی
#پایتون_مالی
#Machine_learning
#scikit-learn

@python4finance

مروری بر یادگیری ماشین با پایتون - بخش دوم
کاربرد یادگیری ماشین در بازاریابی
در ادامه مبحث قبل، در این پست یک مثال از یادگیری ماشین بر اساس تکنیک درخت تصمیم ارائه می شود.از آنجایی که دنبال کنندگان کانال از بخش های مختلفی هستند، مثال را در حیطه بازار یابی طرح می کنیم.
فرض کنید شما عرضه کننده لپ تاپ و تبلت هستید و می خواهید علاقه مندی افراد را برای خرید نوع محصول مشخص نمایید.
انواع محصولات ما، گوشی موبایل، تبلت 7 اینج، تبلت 10 اینچ، لپ تاپ 14 اینج، لپ تاپ 15 اینچ است (5نوع محصول).
برای این منظور پرسشنامه ای میان 18 نفر از مشتریان توزیع شده است و اطلاعات مربوط به سن ، جنسیت و محصول خریداری شده را ثبت کرده ایم.
مسئله مورد نظر ما این است که با فرض داشتن سن و جنسیت بتوانیم محصول مورد درخواست فرد را پیش بینی کنیم. (اطلاعات مسئله در فایل csv ضمیمه شده قرار دارد. ستون جنسیت در فایل، برای خانم ها عدد 1 و اقایان عدد 0 صفر در نظر گرفته شده است)
1️⃣ گام اول تفکیک مقادیر ورودی (input) و خروجی (outpu). مقادیر ورودی ما جنسیت و سن هستند و مقدار خروجی ما که به دنبال پیش بینی آن هستیم محصولی است که خریداری می شود.
2️⃣ در گام دوم داده ها را به دو بخش آموزش (train) و آزمون (test) تقسیم می کنیم.
3️⃣ در گام سوم با استفاده از روش درخت تصمیم (DecisionTreeClassifier) مدل را با استفاده از داده های آموزش (train) اجرا می کنیم.

کار تمام است! به راحتی می توانیم داده های آزمون (test) را به مدل بدهیم و مدل برای ما پیش بینی را انجام می دهد.
فایل های این مثال در پست بعد ارائه می شود.
در پست های آتی مطالبی را در خصوص سنجش کیفیت و کارایی مدل تقدیم خواهد.


#یادگیری_ماشین
#پایتون_مالی
#Machine_learning
#scikit-learn

@python4finance

مروری بر یادگیری ماشین با پایتون - بخش دوم
کاربرد یادگیری ماشین در بازاریابی
فایل های مربوط به مثال بالا


#یادگیری_ماشین
#پایتون_مالی
#Machine_learning
#scikit-learn

@python4finance

مروری بر یادگیری ماشین با پایتون - بخش سوم
سنجش دقت مدل (accuracy)

بعد از اجرای مدل، لازم است میزان دقت مدل را بررسی کنیم. در واقع در این مرحله، مقادیر مربوط به output که توسط مدل پیش بینی شده است و مقادیر واقعی test با یکدیگر مقایسه شده و یک عدد به عنوان امتیاز دقت از 0 تا 1 به مدل تخصیص داده می شود که هر چه عدد دقت مدل به 1 نزدیک تر باشد کیفیت مدل بهتر است. البته در مثال ما به دلیل اینکه هر بار داده های مختلفی به صورت تصادفی به عنوان داده های آموزش در نظر گرفته می شود، عددهای مختلفی ممکن است به عنوان امتیاز مدل به دست بیاید.
در مثال این پست با استفاده از accuracy_score امتیاز دقت مدل محاسبه و نمایش داده می شود.


#یادگیری_ماشین
#پایتون_مالی
#Machine_learning
#scikit-learn

@python4finance

مروری بر یادگیری ماشین با پایتون - بخش چهارم
ماندگاری مدل (Model persistence)
خیلی از اوقات ممکن است بخواهیم در زمان های مختلفی از مدل یادگیری ماشین استفاده کنیم اما مشکل اینجاست که هر بار باید مدل با استفاده از داده ها یادگرفته (ترین شود). حالا شرایطی را در نظر بگیرید که شما برای یادگرفتن مدل از میلیون ها داده استفاده کرده اید!
خوشبختانه امکان نگهداری مدل (بدون نیاز به یادگیری مجدد) وجود دارد. برای این منظور از ماژول joblib استفاده می کنیم.
در مثال این پست، ابتدا فرآیند یادگیری مدل انجام شده و سپس در فایلی به نام product-prediction.joblib ذخیره می شود.
از این به بعد صرفا با Load کردن فایل مذکور بدون یادگیری مدل می توانیم از هوشمندی! مدل استفاده کنیم.

#یادگیری_ماشین
#پایتون_مالی
#Machine_learning
#scikit-learn

@python4finance

مروری بر یادگیری ماشین با پایتون - بخش پنجم و پایانی
نمایش گرافیکی مدل!
احتمالا شما هم شنیده اید که گاهی یک تصویر، می تواند بیانگر صدها صفحه کتاب باشد. یکی از زیبایی های مدل های درخت تصمیم نمایش گرافیکی آنهاست.
برای نمایش گرافیکی خروجی لازم است، در vscode ماژول Graphviz (dot) language support for Visual Studio Code را نصب کنید. سپس فایل ایجاد شده با پسوند dot را با vscode باز کنید. از سمت راست ... گزینه open preview را انتخاب کنید.

#یادگیری_ماشین
#پایتون_مالی
#Machine_learning
#scikit-learn

@python4finance