Coding Is Fun

My First Project Setelah Anda menemukan nama yang cocok untuk proyek Django Anda, seperti milik saya: my_tennis_club , navigasikan ke tempat di sistem file Anda ingin menyimpan kode (di lingkungan virtual), saya akan menavigasi ke myworld folder, dan menjalankan perintah ini di command prompt: django-admin startproject my_tennis_club Django membuat my_tennis_club folder di komputer saya, dengan konten ini: my_tennis_club     manage.py     my_tennis_club/         __init__.py         asgi.py         settings.py         urls.py         wsgi.py Ini semua adalah file dan folder dengan arti tertentu, Kita akan mempelajari beberapa di antaranya nanti dalam tutorial ini, tetapi untuk saat ini, lebih penting untuk mengetahui bahwa ini adalah lokasi proyek An...

  Virtual Environment Disarankan untuk memiliki virtual environment terdedikasi untuk setiap proyek Django, dan salah satu cara untuk mengelola lingkungan virtual adalah venv , yang termasuk dalam Python. Nama virtual environment adalah pilihan Anda, dalam tutorial ini kami akan menyebutnya myworld . Ketik yang berikut di command prompt, ingat untuk menavigasi ke tempat Anda ingin membuat proyek Anda: Windows: py -m venv myworld Unix/MacOs: python -m venv myworld Ini akan menyiapkan lingkungan virtual, dan membuat folder bernama "myworld" dengan subfolder dan file, seperti ini: myworld   Include   Lib   Scripts   pyvenv.cfg Kemudian Anda harus mengaktifkan environment, dengan mengetikkan perintah ini: Windows: myworld\Scripts\activate.bat Unix/MacOs: source myworld/bin/activate Setelah environment diaktifkan, Anda akan melihat hasil ini di command prompt: Windows: (myworld) C:\Users\ Your Name > Unix/MacOs: (myworld) ... $ Note: Anda harus...

  What Is Django? Django adalah kerangka kerja Python yang memudahkan pembuatan situs web menggunakan Python. Django menangani hal-hal yang sulit sehingga Anda dapat berkonsentrasi membangun aplikasi web Anda. Django menekankan penggunaan kembali komponen, juga disebut sebagai DRY (Don't Repeat Yourself), dan dilengkapi dengan fitur siap pakai seperti sistem masuk, koneksi basis data dan operasi CRUD (Create, Read, Update, Delete). Django sangat membantu untuk situs web berbasis basis data. How does Django Work? Django mengikuti pola desain MVT (Model View Template). Model - Data yang ingin Anda sajikan, biasanya data dari database. View - Penangan permintaan yang mengembalikan template dan konten yang relevan - berdasarkan permintaan dari pengguna. Template - File teks (seperti file HTML) yang berisi tata letak halaman web, dengan logika tentang cara menampilkan data.

  Materi lanjutan dari Scale   Predict CO2 Values  Tugas di bab Multiple Regression adalah memprediksi emisi CO2 dari sebuah mobil ketika kita hanya mengetahui berat dan volumenya. Saat kumpulan data diskalakan, kita harus menggunakan skala saat memprediksi nilai: Contoh Prediksikan emisi CO2 dari mobil 1,3 liter yang berbobot 2300 kilogram: import  pandas from  sklearn  import  linear_model from   sklearn.preprocessing  import  StandardScaler scale = StandardScaler() df = pandas.read_csv( "data.csv" ) X = df[[ 'Weight' ,  'Volume' ]] y = df[ 'CO2' ] scaledX = scale.fit_transform(X) regr = linear_model.LinearRegression() regr.fit(scaledX, y) scaled =  scale.transform([[ 2300 ,  1.3 ]]) predictedCO2 = regr.predict([scaled[ 0 ]]) print (predictedCO2) Hasil [107.2087328]

Scale Features Ketika data Anda memiliki nilai yang berbeda, dan bahkan unit pengukuran yang berbeda, akan sulit untuk membandingkannya. Apa kilogram dibandingkan dengan meter? Atau ketinggian dibandingkan dengan waktu? Jawaban untuk masalah ini adalah penskalaan. Kami dapat menskalakan data menjadi nilai baru yang lebih mudah dibandingkan. Perhatikan tabel di bawah ini, ini adalah kumpulan data yang sama dengan yang kita gunakan di bab regresi berganda , tetapi kali ini kolom volume berisi nilai dalam liter , bukan cm3 (1,0 bukan 1000). Car Model Volume Weight CO2 Toyota Aygo 1.0 790 99 Mitsubishi Space Star 1.2 1160 95 Skoda Citigo 1.0 929 95 Fiat 500 0.9 865 90 Mini Cooper 1.5 1140 105 VW Up! 1.0 929 105 Skoda Fabia 1.4 1109 90 Mercedes A-Class 1.5 1365 92 Ford Fiesta 1.5 1112 98 Audi A1 1.6 1150 99 Sulit untuk membandingkan volume 1.0 dengan bobot 790, tetapi jika kita menskalakan keduanya menjadi nilai yang dapat dibandingkan, kita dapat dengan mudah melihat seberapa besar satu ni...

Coefficient Confficient adalah faktor yang menggambarkan hubungan dengan variabel yang tidak diketahui. Contoh: jika x adalah sebuah variabel, maka 2x adalah x dua kali. x adalah variabel yang tidak diketahui, dan angka 2 adalah Confficient. Dalam hal ini, kita dapat menanyakan nilai Confficient berat terhadap CO2, dan untuk volume terhadap CO2. Jawaban yang kita dapatkan memberi tahu kita apa yang akan terjadi jika kita menambah, atau mengurangi, salah satu nilai independen. Contoh Cetak nilai Confficient regression object. import  pandas from  sklearn  import  linear_model df = pandas.read_csv( "data.csv" ) X = df[[ 'Weight' ,  'Volume' ]] y = df[ 'CO2' ] regr =  linear_model.LinearRegression() regr.fit(X, y) print (regr.coef_) Hasil [0.00755095 0.00780526] Result Explained Array hasil mewakili nilai koefisien/Confficient berat dan volume. Berat: 0,00755095 Volume: 0,00780526 Nilai-nilai ini memberi tahu kita bahwa jika beratnya bertambah 1kg, emisi ...

  Multiple Regression Multiple Regression seperti regresi linier , tetapi dengan lebih dari satu nilai independen, artinya kami mencoba memprediksi nilai berdasarkan dua variabel atau lebih. Lihatlah kumpulan data di bawah ini, ini berisi beberapa informasi tentang mobil. Car Model Volume Weight CO2 Toyota Aygo 1000 790 99 Mitsubishi Space Star 1200 1160 95 Skoda Citigo 1000 929 95 Fiat 500 900 865 90 Mini Cooper 1500 1140 105 VW Up! 1000 929 105 Skoda Fabia 1400 1109 90 Mercedes A-Class 1500 1365 92 Ford Fiesta 1500 1112 98 Audi A1 1600 1150 99 Kita dapat memprediksi emisi CO2 mobil berdasarkan ukuran mesin, tetapi dengan regresi berganda kita dapat menambahkan lebih banyak variabel, seperti berat mobil, untuk membuat prediksi lebih akurat. How Does it Work? Di Python kami memiliki modul yang akan melakukan pekerjaan untuk kami. Mulailah dengan mengimpor modul Pandas. import  pandas Pelajari tentang modul Pandas di Tutorial Pandas kami . Modul Pandas memungkinkan kita membaca...

Bad Fit? Mari kita buat contoh di mana regresi polinomial bukanlah metode terbaik untuk memprediksi nilai masa depan. Contoh Nilai-nilai untuk sumbu x dan y ini akan menghasilkan kecocokan yang sangat buruk untuk regresi polinomial. import  numpy import  matplotlib.pyplot  as  plt x =  [ 89 , 43 , 36 , 36 , 95 , 10 , 66 , 34 , 38 , 20 , 26 , 29 , 48 , 64 , 6 , 5 , 36 , 66 , 72 , 40 ] y =  [ 21 , 46 , 3 , 35 , 67 , 95 , 53 , 72 , 58 , 10 , 26 , 34 , 90 , 33 , 38 , 20 , 56 , 2 , 47 , 15 ] mymodel =  numpy.poly1d(numpy.polyfit(x, y,  3 )) myline = numpy.linspace( 2 ,  95 ,  100 ) plt.scatter(x, y) plt.plot(myline, mymodel(myline)) plt.show() Hasil Dan nilai r-kuadratnya? Contoh Anda harus mendapatkan nilai r-kuadrat yang sangat rendah. import  numpy from  sklearn.metrics  import  r2_score x =  [ 89 , 43 , 36 , 36 , 95 , 10 , 66 , 34 , 38 , 20 , 26 , 29 , 48 , 64 , 6 , 5 , 36 , 66 , 72 , 40 ] y =  [ 21 , 46 , 3 ...

Predict Future Values Sekarang kita dapat menggunakan informasi yang telah kita kumpulkan untuk memprediksi nilai masa depan. Contoh: Mari kita coba memprediksi kecepatan mobil yang melewati pintu tol sekitar pukul 17:00. Untuk melakukannya, kita membutuhkan mymodel array yang sama dari contoh di atas: mymodel = numpy.poly1d(numpy.polyfit(x, y,  3 )) Contoh Prediksikan kecepatan mobil yang lewat pada pukul 17:00 import  numpy from  sklearn.metrics  import  r2_score x =  [ 1 , 2 , 3 , 5 , 6 , 7 , 8 , 9 , 10 , 12 , 13 , 14 , 15 , 16 , 18 , 19 , 21 , 22 ] y =  [ 100 , 90 , 80 , 60 , 60 , 55 , 60 , 65 , 70 , 70 , 75 , 76 , 78 , 79 , 90 , 99 , 99 , 100 ] mymodel =  numpy.poly1d(numpy.polyfit(x, y,  3 )) speed = mymodel( 17 ) print (speed) Contoh memperkirakan kecepatan menjadi 88,87, yang juga dapat kita baca dari diagram:

  R-Squared Penting untuk mengetahui seberapa baik hubungan antara nilai sumbu x dan sumbu y, jika tidak ada hubungan maka regresi polinomial tidak dapat digunakan untuk memprediksi apapun. Hubungan diukur dengan nilai yang disebut r-kuadrat. Nilai r-kuadrat berkisar antara 0 sampai 1, dimana 0 berarti tidak ada hubungan, dan 1 berarti 100% berhubungan. Python dan modul Sklearn akan menghitung nilai ini untuk Anda, yang harus Anda lakukan adalah memberinya array x dan y: Contoh Seberapa cocok data saya dalam polynomial regression. import  numpy from  sklearn.metrics  import  r2_score x =  [ 1 , 2 , 3 , 5 , 6 , 7 , 8 , 9 , 10 , 12 , 13 , 14 , 15 , 16 , 18 , 19 , 21 , 22 ] y =  [ 100 , 90 , 80 , 60 , 60 , 55 , 60 , 65 , 70 , 70 , 75 , 76 , 78 , 79 , 90 , 99 , 99 , 100 ] mymodel =  numpy.poly1d(numpy.polyfit(x, y,  3 )) print (r2_score(y, mymodel(x))) Catatan: Hasil 0,94 menunjukkan bahwa terdapat hubungan yang sangat baik, dan kita dapat menggu...

  Polynomial Regression Jika titik data Anda jelas tidak sesuai dengan regresi linier (garis lurus melalui semua titik data), ini mungkin ideal untuk polynomial regression. Polynomial Regression, seperti linear regression, menggunakan hubungan/relationship antara variabel x dan y untuk menemukan cara terbaik menggambar garis melalui titik data. How Does it Work? Python memiliki metode untuk menemukan hubungan/relationship antara titik data dan menggambar garis polynomial regression. Kita akan menunjukkan kepada kalian bagaimana menggunakan metode ini alih-alih melalui rumus matematika. Pada contoh di bawah ini, kita telah mendaftarkan 18 mobil saat melewati gardu tol tertentu. Kami telah mendaftarkan kecepatan mobil, dan waktu hari (jam) terjadinya lewat. Sumbu x mewakili jam dalam sehari dan sumbu y mewakili kecepatan: Contoh Mulailah dengan menggambar scatter plot. import  matplotlib.pyplot  as  plt x = [ 1 , 2 , 3 , 5 , 6 , 7 , 8 , 9 , 10 , 12 , 13 , 14 , 15 , 16 ...