.. DO NOT EDIT.
.. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY.
.. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE:
.. "auto_examples/linear_model/plot_theilsen.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_theilsen.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_theilsen.py:


====================
انحدار ثيل-سين
====================

يحسب انحدار ثيل-سين على مجموعة بيانات اصطناعية.

راجع :ref:`theil_sen_regression` لمزيد من المعلومات حول المنحدر.

بالمقارنة مع مقدر المربعات الصغرى العادي (OLS)، فإن مقدر ثيل-سين
قوي ضد القيم الشاذة. لديه نقطة انهيار حوالي 29.3%
في حالة الانحدار الخطي البسيط، مما يعني أنه يمكنه تحمل
البيانات الفاسدة (القيم الشاذة) بنسبة تصل إلى 29.3% في الحالة ثنائية الأبعاد.

يتم تقدير النموذج عن طريق حساب المنحدرات والتقاطعات
للسكان الفرعيين لجميع التركيبات الممكنة من النقاط الفرعية p. إذا كان
تم تركيب التقاطع، يجب أن يكون p أكبر من أو يساوي n_features + 1. ثم يتم تعريف المنحدر والتقاطع النهائيين
كمتوسط مكاني لهذه المنحدرات والتقاطعات.

في بعض الحالات، يؤدي ثيل-سين أداءً أفضل من :ref:`RANSAC
<ransac_regression>`، وهي طريقة قوية أيضًا. يتم توضيح ذلك في
المثال الثاني أدناه حيث تؤثر القيم الشاذة فيما يتعلق بمحور x على RANSAC.
يصلح ضبط معلمة "residual_threshold" في RANSAC هذا الأمر، ولكن بشكل عام، هناك حاجة إلى معرفة مسبقة حول البيانات وطبيعة القيم الشاذة.
بسبب التعقيد الحسابي لثيل-سين، يوصى باستخدامه
فقط للمشاكل الصغيرة من حيث عدد العينات والميزات. بالنسبة للمشاكل الأكبر
تقيد معلمة "max_subpopulation" حجم جميع التركيبات الممكنة من النقاط الفرعية p إلى مجموعة فرعية يتم اختيارها عشوائيًا
وبالتالي تحد أيضًا من وقت التشغيل. لذلك، يمكن تطبيق ثيل-سين على مشاكل أكبر
مع عيب فقدان بعض خصائصه الرياضية حيث أنه يعمل
على مجموعة فرعية عشوائية.

.. GENERATED FROM PYTHON SOURCE LINES 32-51

.. code-block:: Python


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

    import time

    import matplotlib.pyplot as plt
    import numpy as np

    from sklearn.linear_model import LinearRegression, RANSACRegressor, TheilSenRegressor

    estimators = [
        ("OLS", LinearRegression()),
        ("Theil-Sen", TheilSenRegressor(random_state=42)),
        ("RANSAC", RANSACRegressor(random_state=42)),
    ]
    colors = {"OLS": "turquoise", "Theil-Sen": "gold", "RANSAC": "lightgreen"}
    lw = 2








.. GENERATED FROM PYTHON SOURCE LINES 52-54

القيم الشاذة فقط في اتجاه y
--------------------------------

.. GENERATED FROM PYTHON SOURCE LINES 54-86

.. code-block:: Python


    np.random.seed(0)
    n_samples = 200
    # النموذج الخطي y = 3*x + N(2, 0.1**2)
    x = np.random.randn(n_samples)
    w = 3.0
    c = 2.0
    noise = 0.1 * np.random.randn(n_samples)
    y = w * x + c + noise
    # 10% قيم شاذة
    y[-20:] += -20 * x[-20:]
    X = x[:, np.newaxis]

    plt.scatter(x, y, color="indigo", marker="x", s=40)
    line_x = np.array([-3, 3])
    for name, estimator in estimators:
        t0 = time.time()
        estimator.fit(X, y)
        elapsed_time = time.time() - t0
        y_pred = estimator.predict(line_x.reshape(2, 1))
        plt.plot(
            line_x,
            y_pred,
            color=colors[name],
            linewidth=lw,
            label="%s (fit time: %.2fs)" % (name, elapsed_time),
        )

    plt.axis("tight")
    plt.legend(loc="upper left")
    _ = plt.title("Corrupt y")




.. image-sg:: /auto_examples/linear_model/images/sphx_glr_plot_theilsen_001.png
   :alt: Corrupt y
   :srcset: /auto_examples/linear_model/images/sphx_glr_plot_theilsen_001.png
   :class: sphx-glr-single-img





.. GENERATED FROM PYTHON SOURCE LINES 87-89

القيم الشاذة في اتجاه X
---------------------------

.. GENERATED FROM PYTHON SOURCE LINES 89-120

.. code-block:: Python


    np.random.seed(0)
    # النموذج الخطي y = 3*x + N(2, 0.1**2)
    x = np.random.randn(n_samples)
    noise = 0.1 * np.random.randn(n_samples)
    y = 3 * x + 2 + noise
    # 10% قيم شاذة
    x[-20:] = 9.9
    y[-20:] += 22
    X = x[:, np.newaxis]

    plt.figure()
    plt.scatter(x, y, color="indigo", marker="x", s=40)

    line_x = np.array([-3, 10])
    for name, estimator in estimators:
        t0 = time.time()
        estimator.fit(X, y)
        elapsed_time = time.time() - t0
        y_pred = estimator.predict(line_x.reshape(2, 1))
        plt.plot(
            line_x,
            y_pred,
            color=colors[name],
            linewidth=lw,
            label="%s (fit time: %.2fs)" % (name, elapsed_time),
        )

    plt.axis("tight")
    plt.legend(loc="upper left")
    plt.title("Corrupt x")
    plt.show()


.. image-sg:: /auto_examples/linear_model/images/sphx_glr_plot_theilsen_002.png
   :alt: Corrupt x
   :srcset: /auto_examples/linear_model/images/sphx_glr_plot_theilsen_002.png
   :class: sphx-glr-single-img






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

   **Total running time of the script:** (0 minutes 0.717 seconds)


.. _sphx_glr_download_auto_examples_linear_model_plot_theilsen.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_theilsen.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_theilsen.ipynb
        :alt: Launch JupyterLite
        :width: 150 px

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

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

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

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

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

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


.. include:: plot_theilsen.recommendations


.. only:: html

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

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