سورس Linear Regression با دیتاست Mobile Price

در این قسمت تیم کدگیت سورس Linear Regression با دیتاست Mobile Price را تهیه کرده است. یادگیری ماشین وارد دنیای روزمره ما انسان‌ها شده است. دیگر از طریق یک تلفن همراه و نصب اپلیکیشن می‌توان یک بیماری را تشخیص داد. یادگیری ماشین، هوش مصنوعی و تمامی شاخه‌های آن در دنیای امروز کاربردهای بسیاری پیدا کرده است. با توجه به گسترش این شاخه از علم، ما نیز تصمیم گرفتیم سورسی از همین رشته تهیه و آماده سازی نماییم. سورس پیش‌بینی قیمت موبایل که از الگوریتم Linear Regression استفاده می‌کند. با ما همراه باشید تا این سورس جذاب را معرفی کنیم.

سورس Linear Regression با دیتاست Mobile Price

تکنولوژی امروزه به سرعت در حال پیشرفت است. تشخیص عینک، تشخیص خودرو، تشخیص چشم و … تنها بخشی از پیشرفت تکنولوژی است که با کمک پردازش تصویر، بینایی ماشین و هوش مصنوعی قابل انجام است. در این قسمت سورس Linear Regression با دیتاست Mobile Price در پایتون را تهیه کرده‌ایم. برای این کار ما از ماژول sklearn و seaborn و numpy و pandas و matplotlib کمک می‌گیریم. در صورتی که با این ماژول‌ها آشنایی ندارید پیشنهاد می‌کنیم دوره آموزش پیش نیاز علم داده را مطالعه نمایید چراکه در این دوره تمامی ماژول‌های فوق (به استثنا sklearn) آموزش داده می‌شوند. همچنین دیتاست استفاده گردیده در این پروژه Mobile Price می‌باشد.

دیتاست Mobile Price

طبقه بندی قیمت موبایل یکی از مشکلات شرکت‌های بزرگ می‌باشد. در دیتاست Mobile Price Classification قیمت دو هزار (2000) دستگاه موبایل با بیست (20) ویژگی ذخیره‌سازی می‌گردد. ستون‌های دیتاست ما به صورت زیر می‌باشد:

• battery_power: کل انرژی باتری به mAh
• blue: دارای بلوتوث می‌باشد یا خیر.
• clock_speed: سرعتی که ریزپردازنده دستورالعمل ها را اجرا می کند.
• dual_sim: تک سیم کارت و دو سیم کارت بودن موبایل
• FC: مخفف Front Camera یا دوربین جلو بوده و مقدار این ستون به مگاپیکسل می‌باشد.
• four_g: قابلیت g4 را دارد یا خیر.
• int_memory: مخفف internal memory بوده و مقدار آن به گیگابایت می‌باشد.
• m_dep: عرض تلفن همراه به سانتی متر (Mobile depth)
• mobile_wt: وزن موبایل.
• n_cores: تعداد هسته‌های پردازنده
• Pc: مخفف Primary camera یا دوربین اصلی بوده و مقدار آن به مگاپیکسل است.
• px_height: وضوح تصویر (ارتفاع)
• px_width: وضوح تصویر (عرض)
• ram: این ستون برای همه ما شفاف هست
• sc_h: ارتفاع صفحه نمایش تلفن همراه در سانتی متر
• sc_w: عرض صفحه تلفن همراه در سانتی متر
• talk_time: طولانی ترین زمانی که یک بار شارژ باتری دوام می‌آورد.
• three_g: پشتیبانی از 3g
• touch_screen: صفحه لمسی دارد یا خیر
• wifi: پشتیبانی از wifi
• price_range: رنج قیمت تلفن همراه. در این دیتاست تلفن‌های همراه در چهار (4) رنج قیمت  با توجه به قابلیت‌های موبایل قرار می‌گیرند.
  • رنج قیمت صفر به معنی قیمت پایین است.
  • رنج قیمت 1 به معنی قیمت متوسط است.
  • رنج قیمت 2 به معنی قیمت بالا است.
  • نج قیمت 3 به معنی خیلی بالا می‌باشد.

نحوه اجرا سورس پیش‌بینی قیمت موبایل

زبان برنامه نویسی سورس پیش‌بینی قیمت موبایل، پایتون بوده و فرمت فایل .py است. بعد از تهیه سورس از سایت کدگیت فایلی با فرمت zip در اختیار شما قرار می‌گیرد. فایل را از حالت zip خارج کرده تا بتوانید سورس کد را ببینید. فایل اصلی برنامه با نام LinearRegression Mobile Price.py می‌باشد. این فایل را اجرا کنید تا برنامه اجرا شود. پس از اجرا خروجی زیر را مشاهده خواهید کرد:

بررسی دو متغیر دیتاست

مقایسه دو متغیر دیتاست

بررسی درصد دو متغیر دیتاست

بررسی درصد دو متغیر دیتاست

مقایسه دو متغیر دیتاست

مقایسه دو متغیر دیتاست

بررسی دو متغیر دیتاست

مقایسه دو متغیر دیتاست

علاوه بر تصاویر بالا در کنسول، خروجی زیر را خواهید دید:

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2000 entries, 0 to 1999
Data columns (total 21 columns):
 #   Column         Non-Null Count  Dtype
---  ------         --------------  -----
 0   battery_power  2000 non-null   int64
 1   blue           2000 non-null   int64
 2   clock_speed    2000 non-null   float64
 3   dual_sim       2000 non-null   int64
 4   fc             2000 non-null   int64
 5   four_g         2000 non-null   int64
 6   int_memory     2000 non-null   int64
 7   m_dep          2000 non-null   float64
 8   mobile_wt      2000 non-null   int64
 9   n_cores        2000 non-null   int64
 10  pc             2000 non-null   int64
 11  px_height      2000 non-null   int64
 12  px_width       2000 non-null   int64
 13  ram            2000 non-null   int64
 14  sc_h           2000 non-null   int64
 15  sc_w           2000 non-null   int64
 16  talk_time      2000 non-null   int64
 17  three_g        2000 non-null   int64
 18  touch_screen   2000 non-null   int64
 19  wifi           2000 non-null   int64
 20  price_range    2000 non-null   int64
dtypes: float64(2), int64(19)
memory usage: 328.3 KB
0.9132801488185277

در خروجی بالا اطلاعات زیر قرار گرفته است:

• ابعاد دیتاست
• اطلاعات آماری دیتاست
• دقت مدل پس از train برابر با 0.9132801488185277 (حدود 91 درصد) می‌باشد.
• …

فایل‌ها و ماژول‌ها سورس کد

در سورس پیش‌بینی قیمت موبایل از فایل‌ها و ماژول‌های زیر استفاده گردیده است:

• Numpy: نصب numpy با دستور pip install numpy از طریق cmd انجام می‌شود.
• pandas: با دستور pip install pandas از طریق cmd، نصب این ماژول انجام می‌شود.
• matplotlib: دستور pip install matplotlib را در cmd بزنید.
• seaborn: برای نصب seaborn نیز در cmd دستور pip install seaborn را بنویسید.
• scikit-learn: نصب scikit-learn با دستور pip install scikit-learn از طریق cmd انجام می‌شود.

برای نصب پایتون به طوری که در CMD بتوانید کدهای پایتون را اجرا و ماژول‌ها را نصب نمایید ویدئو زیر را حتماً مشاهده کنید: