.. DO NOT EDIT.
.. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY.
.. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE:
.. "auto_examples/linear_model/plot_nnls.py"
.. LINE NUMBERS ARE GIVEN BELOW.

.. only:: html

    .. note::
        :class: sphx-glr-download-link-note

        :ref:`Go to the end <sphx_glr_download_auto_examples_linear_model_plot_nnls.py>`
        to download the full example code. or to run this example in your browser via JupyterLite or Binder

.. rst-class:: sphx-glr-example-title

.. _sphx_glr_auto_examples_linear_model_plot_nnls.py:


==========================
مربعات أقل غير سالبة
==========================

في هذا المثال، نقوم بملاءمة نموذج خطي مع قيود إيجابية على
معاملات الانحدار ومقارنة المعاملات المقدرة مع الانحدار الخطي الكلاسيكي.

.. GENERATED FROM PYTHON SOURCE LINES 10-19

.. code-block:: Python


    # المؤلفون: مطوري سكايلرن
    # معرف الترخيص: BSD-3-Clause

    import matplotlib.pyplot as plt
    import numpy as np

    from sklearn.metrics import r2_score








.. GENERATED FROM PYTHON SOURCE LINES 20-21

توليد بعض البيانات العشوائية

.. GENERATED FROM PYTHON SOURCE LINES 21-33

.. code-block:: Python

    np.random.seed(42)

    n_samples, n_features = 200, 50
    X = np.random.randn(n_samples, n_features)
    true_coef = 3 * np.random.randn(n_features)
    # عتبة المعاملات لجعلها غير سالبة
    true_coef[true_coef < 0] = 0
    y = np.dot(X, true_coef)

    # إضافة بعض الضوضاء
    y += 5 * np.random.normal(size=(n_samples,))








.. GENERATED FROM PYTHON SOURCE LINES 34-35

تقسيم البيانات إلى مجموعة تدريب ومجموعة اختبار

.. GENERATED FROM PYTHON SOURCE LINES 35-39

.. code-block:: Python

    from sklearn.model_selection import train_test_split

    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5)








.. GENERATED FROM PYTHON SOURCE LINES 40-41

ملاءمة المربعات الأقل غير السالبة.

.. GENERATED FROM PYTHON SOURCE LINES 41-48

.. code-block:: Python

    from sklearn.linear_model import LinearRegression

    reg_nnls = LinearRegression(positive=True)
    y_pred_nnls = reg_nnls.fit(X_train, y_train).predict(X_test)
    r2_score_nnls = r2_score(y_test, y_pred_nnls)
    print("NNLS R2 score", r2_score_nnls)





.. rst-class:: sphx-glr-script-out

 .. code-block:: none

    NNLS R2 score 0.8225220806196525




.. GENERATED FROM PYTHON SOURCE LINES 49-50

ملاءمة OLS.

.. GENERATED FROM PYTHON SOURCE LINES 50-56

.. code-block:: Python

    reg_ols = LinearRegression()
    y_pred_ols = reg_ols.fit(X_train, y_train).predict(X_test)
    r2_score_ols = r2_score(y_test, y_pred_ols)
    print("OLS R2 score", r2_score_ols)






.. rst-class:: sphx-glr-script-out

 .. code-block:: none

    OLS R2 score 0.7436926291700354




.. GENERATED FROM PYTHON SOURCE LINES 57-61

عند مقارنة معاملات الانحدار بين OLS و NNLS، يمكننا ملاحظة
أنها مرتبطة ارتباطًا وثيقًا (الخط المتقطع هو علاقة الهوية)،
ولكن القيود غير السالبة تقلص بعضها إلى 0.
المربعات الأقل غير السالبة تعطي نتائج متفرقة بشكل متأصل.

.. GENERATED FROM PYTHON SOURCE LINES 61-71

.. code-block:: Python


    fig, ax = plt.subplots()
    ax.plot(reg_ols.coef_, reg_nnls.coef_, linewidth=0, marker=".")

    low_x, high_x = ax.get_xlim()
    low_y, high_y = ax.get_ylim()
    low = max(low_x, low_y)
    high = min(high_x, high_y)
    ax.plot([low, high], [low, high], ls="--", c=".3", alpha=0.5)
    ax.set_xlabel("معاملات الانحدار OLS", fontweight="bold")
    ax.set_ylabel("معاملات الانحدار NNLS", fontweight="bold")


.. image-sg:: /auto_examples/linear_model/images/sphx_glr_plot_nnls_001.png
   :alt: plot nnls
   :srcset: /auto_examples/linear_model/images/sphx_glr_plot_nnls_001.png
   :class: sphx-glr-single-img


.. rst-class:: sphx-glr-script-out

 .. code-block:: none


    Text(55.847222222222214, 0.5, 'معاملات الانحدار NNLS')




.. rst-class:: sphx-glr-timing

   **Total running time of the script:** (0 minutes 0.070 seconds)


.. _sphx_glr_download_auto_examples_linear_model_plot_nnls.py:

.. only:: html

  .. container:: sphx-glr-footer sphx-glr-footer-example

    .. container:: binder-badge

      .. image:: images/binder_badge_logo.svg
        :target: https://mybinder.org/v2/gh/scikit-learn/scikit-learn/main?urlpath=lab/tree/notebooks/auto_examples/linear_model/plot_nnls.ipynb
        :alt: Launch binder
        :width: 150 px

    .. container:: lite-badge

      .. image:: images/jupyterlite_badge_logo.svg
        :target: ../../lite/lab/index.html?path=auto_examples/linear_model/plot_nnls.ipynb
        :alt: Launch JupyterLite
        :width: 150 px

    .. container:: sphx-glr-download sphx-glr-download-jupyter

      :download:`Download Jupyter notebook: plot_nnls.ipynb <plot_nnls.ipynb>`

    .. container:: sphx-glr-download sphx-glr-download-python

      :download:`Download Python source code: plot_nnls.py <plot_nnls.py>`

    .. container:: sphx-glr-download sphx-glr-download-zip

      :download:`Download zipped: plot_nnls.zip <plot_nnls.zip>`


.. include:: plot_nnls.recommendations


.. only:: html

 .. rst-class:: sphx-glr-signature

    `Gallery generated by Sphinx-Gallery <https://sphinx-gallery.github.io>`_