Prediktivní modelování je postup, který využívá statistické algoritmy a strojové učení k předpovídání budoucích událostí nebo výsledků na základě historických dat. V jazyce Python existuje několik knihoven, které mohou být použity pro prediktivní modelování. Mezi ně patří scikit-learn, TensorFlow, Keras a PyTorch.
V následujícím příkladu vytvoříme jednoduchý prediktivní model pomocí knihovny scikit-learn. Použijeme lineární regresi k předpovídání cen domů na základě několika vlastností.
- Instalace knihoven:
Nejprve je třeba nainstalovat knihovny potřebné pro tento úkol. Otevřete terminál nebo příkazový řádek a zadejte následující příkaz:
pip install numpy pandas scikit-learn- Importování knihoven a načtení dat:
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
# Načtení datasetu
data = pd.read_csv('ceny_domu.csv')- Příprava dat:
# Rozdělení datasetu na tréninkovou a testovací množinu
X = data.drop('cena', axis=1)
y = data['cena']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)- Vytvoření a trénink modelu:
# Vytvoření modelu lineární regrese
model = LinearRegression()
# Trénink modelu
model.fit(X_train, y_train)- Evaluace modelu:
# Predikce na testovacích datech
y_pred = model.predict(X_test)
# Výpočet střední kvadratické chyby (RMSE)
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print(f"RMSE: {rmse}")Tento kód ukazuje, jak vytvořit a vyhodnotit jednoduchý prediktivní model pomocí lineární regrese v Pythonu. Pro složitější modely, jako jsou neuronové sítě, můžete použít knihovny, jako jsou TensorFlow, Keras nebo PyTorch.
