Har bir guruhda talabalar jurnal boshidan ta kichik guruhlarga bo’linadi. Agar guruhdagi talabalar sonini ga bo`lib ta guruh hosil qilamiz. Birinchi guruh Salary data csv faylini oladi. Ikkinchi guruh housing data

O’ZBEKISTON RESPUBLIKASI AXBOROT TEXNOLOGIYALARI VA KOMMUNIKATSIYALARINI RIVOJLANTIRISH VAZIRLIGI

MUHAMMAD AL-XORAZMIY NOMIDAGI TOSHKENT AXBOROT TEXNOLOGIYALARI UNIVERSITETI

Ma’lumotlar intelektual tahlili -Fan nomi

Laboratoriya ishi-1

Guruh:210-18

Bajardi:Qurbonboyev.X

Tekshirdi: Ochilov T

TOSHKENT-2021

Laboratoriya-1

1. 
   Har bir guruhda talabalar jurnal boshidan 3 ta kichik guruhlarga bo’linadi. Agar guruhdagi talabalar sonini 3 ga bo`lib 3 ta guruh hosil qilamiz. Birinchi guruh Salary_data.csv faylini oladi. Ikkinchi guruh housing_data.txt faylini oladi. Uchinchi guruh brain_body.txt faylini oladi.
   
2. 
   Ma`lumotlarni o`qib olish
   
3. 
   O`qib olingan ma`lumotlarni ekranga chiqarish
   
4. 
   Ularni scatter plot orqali visuallashtirish
   
5. 
   StatsModels kutubxonasidan foydalanib ushbu ma`lumotlar uchun statistikalarni ekranga chiqarish
   
6. 
   StatsModels kutubxonasidan foydalangan holda berilgan dataset orqali chiziqli regressiya(linear regression) quring.
   
7. 
   Berilgan ma’lumotlarni umumlashtiruvchi chiziqni(Best fit line ) toping
   
8. 
   Ushbu chiziqning matematik ko’rinishini yozing(Misol uchun y=x*0.0017+0.2750)
   

Ishni bajarish:

1. 
   2 – guruh: housing_data.csv
   
2. 
   Ma’lumotlarni o’qib olish:
   

Dastlab kerakli kutubxona va modullarni import qilamiz:

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import statsmodels.api as sm

import seaborn as sns

sns.set()

Salary_data.csv fayldan ma’lumotlarni o’qib olamiz:

data = pd.read_csv('housing_data.csv')

3. 
   o’qilgan malumotlarni ekranga chiqarish:
   

data = data.dropna()

data

d ata.describe()

4. 
   Ularni scatter plot orqali visuallashtirish
   
5. 
   y = data ['price']
   
6. 
   x1 = data ['size']
   
7. 
   
   
8. 
   plt.scatter(x1,y)
   
9. 
   plt.xlabel('size', fontsize = 20)
   
10. 
    plt.ylabel('price', fontsize = 20)
    
11. 
    p lt.show()
    

12. 
    StatsModels kutubxonasidan foydalanib ushbu ma`lumotlar uchun statistikalarni ekranga chiqarish
    

x = sm.add_constant(x1)

results = sm.OLS(y,x).fit()

results.summary()

Berilgan ma’lumotlar uchun umumlashgan chiziqni chizish uchun yuqorida belgilangan koeffisentlarni olamiz

13. 
    StatsModels kutubxonasidan foydalangan holda berilgan dataset orqali chiziqli regressiya(linear regression) quring.
    
14. 
    Berilgan ma’lumotlarni umumlashtiruvchi chiziqni(Best fit line ) toping
    
15. 
    Ushbu chiziqning matematik ko’rinishini yozing(Misol uchun y=x*0.0017+0.2750)
    

Berilgan ma’lumotlar uchun umumlashgan chiziqni chizish uchun yuqorida belgilangan koeffisentlarni olamiz

plt.scatter(x1,y)

yhat =95.0282*x1 + 8.312e+04

fig = plt.plot(x1,yhat, lw=4, c='orange', label ='regression line')

plt.xlabel('size', fontsize = 20)

plt.ylabel('price', fontsize = 20)

plt.show()

plt.scatter(x1,y)

yhat =95.0282*x1 + 0

fig = plt.plot(x1,yhat, lw=4, c='green', label ='regression line')

plt.xlabel('size', fontsize = 20)

plt.ylabel('price', fontsize = 20)

plt.xlim(0)

plt.ylim(0)

plt.show()

plt.scatter(x1,y)

yhat =0*x1 + 8.312e+04

fig = plt.plot(x1,yhat, lw=4, c='red', label ='regression line')

plt.xlabel('size', fontsize = 20)

plt.ylabel('price', fontsize = 20)

plt.show()