33:36
Simple Linear Regression | Code + Intuition | Simplest Explanation in Hindi
CampusX
Overview
यह वीडियो लीनियर रिग्रेशन, मशीन लर्निंग का एक fundamental एल्गोरिथम, का एक सरल परिचय प्रदान करता है। यह बताता है कि लीनियर रिग्रेशन सुपरवाइज्ड मशीन लर्निंग का एक हिस्सा है और इसका उपयोग रिग्रेशन समस्याओं को हल करने के लिए किया जाता है, जहां आउटपुट एक निरंतर संख्यात्मक मान होता है। वीडियो में सिंपल लीनियर रिग्रेशन, मल्टीपल लीनियर रिग्रेशन और पॉलीनोमियल लीनियर रिग्रेशन के बीच अंतर समझाया गया है, और विशेष रूप से सिंपल लीनियर रिग्रेशन पर ध्यान केंद्रित किया गया है। इसमें डेटा को विज़ुअलाइज़ करने, बेस्ट फिट लाइन खोजने और मॉडल बनाने के लिए कोड उदाहरण भी शामिल हैं।
How was this?
Save this permanently with flashcards, quizzes, and AI chat
Chapters
- लीनियर रिग्रेशन मशीन लर्निंग का एक शुरुआती और समझने में आसान एल्गोरिथम है।
- यह सुपरवाइज्ड मशीन लर्निंग का एक हिस्सा है और रिग्रेशन समस्याओं को हल करता है (जहां आउटपुट एक संख्यात्मक मान है)।
- लीनियर रिग्रेशन को समझना भविष्य के अधिक जटिल एल्गोरिथम को समझने के लिए एक मजबूत नींव प्रदान करता है।
यह समझना महत्वपूर्ण है कि लीनियर रिग्रेशन क्या है और यह क्यों महत्वपूर्ण है, क्योंकि यह मशीन लर्निंग की दुनिया में पहला कदम है और कई अन्य उन्नत तकनीकों की नींव रखता है।
जैसे कि किसी छात्र के CGPA के आधार पर उसके प्लेसमेंट पैकेज का अनुमान लगाना।
- सिंपल लीनियर रिग्रेशन: इसमें केवल एक इनपुट (फीचर) और एक आउटपुट (टारगेट) कॉलम होता है।
- मल्टीपल लीनियर रिग्रेशन: इसमें एक से अधिक इनपुट कॉलम और एक आउटपुट कॉलम होता है।
- पॉलीनोमियल लीनियर रिग्रेशन: यह तब उपयोग किया जाता है जब डेटा रैखिक (linear) नहीं होता है, बल्कि घुमावदार (curved) पैटर्न दिखाता है।
विभिन्न प्रकार के लीनियर रिग्रेशन को जानने से आपको यह समझने में मदद मिलती है कि विभिन्न डेटासेट और समस्याओं के लिए कौन सा मॉडल सबसे उपयुक्त है।
सिंपल लीनियर रिग्रेशन के लिए: केवल CGPA के आधार पर पैकेज का अनुमान लगाना। मल्टीपल लीनियर रिग्रेशन के लिए: CGPA, जेंडर, 12वीं के मार्क्स जैसे कई इनपुट के आधार पर पैकेज का अनुमान लगाना।
- डेटा को प्लॉट करने पर, हम अक्सर देखते हैं कि यह पूरी तरह से रैखिक नहीं होता है, बल्कि इसमें कुछ 'नॉइज़' या 'एरर' होता है।
- हमारा लक्ष्य एक 'बेस्ट फिट लाइन' खोजना है जो डेटा पॉइंट्स के सबसे करीब हो, यानी एरर को कम करे।
- यह बेस्ट फिट लाइन एक गणितीय समीकरण (y = mx + b) द्वारा दर्शायी जाती है, जहाँ 'm' स्लोप (ढलान) और 'b' इंटरसेप्ट (अवरोधन) है।
डेटा को विज़ुअलाइज़ करना और बेस्ट फिट लाइन की अवधारणा को समझना यह बताता है कि लीनियर रिग्रेशन वास्तविक दुनिया की समस्याओं पर कैसे लागू होता है, भले ही डेटा पूरी तरह से रैखिक न हो।
छात्रों के CGPA (x-axis) और प्लेसमेंट पैकेज (y-axis) के डेटा पॉइंट्स को प्लॉट करना और उनके बीच से गुजरने वाली एक सीधी रेखा (बेस्ट फिट लाइन) खींचना।
- डेटा को इनपुट (X) और आउटपुट (y) में विभाजित किया जाता है।
- डेटा को ट्रेनिंग और टेस्टिंग सेट में विभाजित किया जाता है ताकि मॉडल के प्रदर्शन का मूल्यांकन किया जा सके।
- Scikit-learn जैसी लाइब्रेरी का उपयोग करके लीनियर रिग्रेशन मॉडल को फिट (train) किया जाता है।
- ट्रेन किए गए मॉडल का उपयोग नए इनपुट के लिए आउटपुट का अनुमान लगाने के लिए किया जाता है।
कोड उदाहरण यह दर्शाता है कि सिद्धांत को व्यवहार में कैसे लाया जाए, जिससे आप अपने स्वयं के डेटा पर लीनियर रिग्रेशन मॉडल बना सकें।
Python में `sklearn.linear_model.LinearRegression` का उपयोग करके CGPA और पैकेज डेटा पर एक मॉडल को ट्रेन करना और फिर एक नए CGPA के लिए पैकेज का अनुमान लगाना।
- स्लोप (m) इनपुट वेरिएबल (जैसे CGPA) के बदलने पर आउटपुट वेरिएबल (जैसे पैकेज) में कितना बदलाव आता है, यह दर्शाता है। यह इनपुट का 'वेटेज' है।
- इंटरसेप्ट (b) वह मान है जब इनपुट वेरिएबल शून्य होता है। यह एक बेसलाइन या ऑफसेट प्रदान करता है।
- लीनियर रिग्रेशन का लक्ष्य इनपुट और आउटपुट के बीच एक रैखिक संबंध (y = mx + b) खोजना है।
- यदि इनपुट शून्य है, तो इंटरसेप्ट (b) आउटपुट का अनुमानित मान प्रदान करता है।
पैरामीटर्स (स्लोप और इंटरसेप्ट) के अर्थ को समझने से आपको यह व्याख्या करने में मदद मिलती है कि आपका मॉडल कैसे काम कर रहा है और इनपुट में बदलाव का आउटपुट पर क्या प्रभाव पड़ता है।
यदि स्लोप (m) अधिक है, तो CGPA में थोड़ा सा बदलाव पैकेज में बड़े बदलाव का कारण बन सकता है। यदि इंटरसेप्ट (b) सकारात्मक है, तो शून्य CGPA वाले छात्र को भी कुछ न्यूनतम पैकेज मिलने की उम्मीद की जा सकती है।
Key takeaways
- लीनियर रिग्रेशन मशीन लर्निंग का एक foundational एल्गोरिथम है जो इनपुट और आउटपुट के बीच रैखिक संबंध को मॉडल करता है।
- यह सुपरवाइज्ड लर्निंग का हिस्सा है और निरंतर संख्यात्मक मानों की भविष्यवाणी के लिए उपयोग किया जाता है।
- डेटा में नॉइज़ के कारण, हम हमेशा एक 'बेस्ट फिट लाइन' खोजने का लक्ष्य रखते हैं जो एरर को कम करे।
- सिंपल लीनियर रिग्रेशन में एक इनपुट और एक आउटपुट होता है, जबकि मल्टीपल लीनियर रिग्रेशन में कई इनपुट होते हैं।
- स्लोप (m) इनपुट के प्रभाव को दर्शाता है, और इंटरसेप्ट (b) बेसलाइन मान को दर्शाता है जब इनपुट शून्य होता है।
- Scikit-learn जैसी लाइब्रेरी का उपयोग करके लीनियर रिग्रेशन मॉडल को लागू करना अपेक्षाकृत सरल है।
Key terms
Linear RegressionSupervised Machine LearningRegression ProblemSimple Linear RegressionMultiple Linear RegressionPolynomial Linear RegressionBest Fit LineSlope (m)Intercept (b)FeatureTargetTraining SetTesting SetNoise
Test your understanding
- लीनियर रिग्रेशन किस प्रकार की मशीन लर्निंग समस्या को हल करता है और क्यों?
- सिंपल लीनियर रिग्रेशन और मल्टीपल लीनियर रिग्रेशन के बीच मुख्य अंतर क्या है?
- एक 'बेस्ट फिट लाइन' का क्या मतलब है और यह लीनियर रिग्रेशन में क्यों महत्वपूर्ण है?
- लीनियर रिग्रेशन मॉडल के स्लोप (m) और इंटरसेप्ट (b) पैरामीटर्स का क्या महत्व है?
- यदि आपके पास डेटा है जो पूरी तरह से रैखिक नहीं है, तो आप लीनियर रिग्रेशन का उपयोग कैसे करेंगे?