<\/span><\/h3>\n\n\n\n\u0e15\u0e48\u0e2d\u0e44\u0e1b\u0e40\u0e23\u0e32\u0e08\u0e30\u0e2a\u0e48\u0e07\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e15\u0e31\u0e27\u0e2d\u0e22\u0e48\u0e32\u0e07\u0e44\u0e1b 50 \u0e41\u0e16\u0e27\u0e41\u0e23\u0e01\u0e43\u0e2b\u0e49 AI \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e43\u0e2b\u0e49\u0e21\u0e31\u0e19\u0e41\u0e19\u0e30\u0e19\u0e33\u0e01\u0e32\u0e23\u0e40\u0e02\u0e35\u0e22\u0e19\u0e42\u0e04\u0e49\u0e14\u0e17\u0e35\u0e48\u0e40\u0e2b\u0e21\u0e32\u0e30\u0e2a\u0e21 \u0e40\u0e23\u0e32\u0e08\u0e30\u0e02\u0e2d\u0e04\u0e33\u0e41\u0e19\u0e30\u0e19\u0e33\u0e27\u0e48\u0e32\u0e04\u0e27\u0e23\u0e17\u0e33\u0e2d\u0e22\u0e48\u0e32\u0e07\u0e44\u0e23\u0e16\u0e36\u0e07\u0e08\u0e30\u0e42\u0e2b\u0e25\u0e14\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e08\u0e32\u0e01 Query \u0e40\u0e02\u0e49\u0e32\u0e2a\u0e39\u0e48 Python DataFrame \u0e0a\u0e37\u0e48\u0e2d medical_df \u0e44\u0e14\u0e49<\/p>\n\n\n\n
\u0e1c\u0e21 Copy \u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e0b\u0e31\u0e01 50 \u0e1a\u0e23\u0e23\u0e17\u0e31\u0e14\u0e41\u0e23\u0e01\u0e44\u0e1b\u0e1b\u0e23\u0e36\u0e01\u0e29\u0e32 AI \u0e01\u0e48\u0e2d\u0e19 \u0e41\u0e25\u0e49\u0e27\u0e1a\u0e2d\u0e01\u0e21\u0e31\u0e19\u0e27\u0e48\u0e32 <\/p>\n\n\n\n
\u0e1c\u0e21\u0e21\u0e35 data \u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49 \u0e42\u0e14\u0e22\u0e17\u0e35\u0e48\u0e2d\u0e22\u0e39\u0e48\u0e43\u0e19 Query \u0e0a\u0e37\u0e48\u0e2d MedicalData \u0e41\u0e25\u0e49\u0e27\u0e2d\u0e22\u0e32\u0e01\u0e40\u0e2d\u0e32\u0e40\u0e02\u0e49\u0e32 python \u0e43\u0e19 excel \u0e15\u0e31\u0e49\u0e07\u0e0a\u0e37\u0e48\u0e2d DataFrame \u0e27\u0e48\u0e32 medical_df<\/code><\/pre>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/2024-04-16-12_00_50-ChatGPT-Excel-Python-Guide.png\")
<\/figure>\n\n\n\n\u0e40\u0e21\u0e37\u0e48\u0e2d\u0e2a\u0e48\u0e07\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e15\u0e31\u0e27\u0e2d\u0e22\u0e48\u0e32\u0e07\u0e41\u0e25\u0e30 Prompt \u0e44\u0e1b AI \u0e01\u0e47\u0e15\u0e2d\u0e1a\u0e01\u0e25\u0e31\u0e1a\u0e21\u0e32\u0e27\u0e48\u0e32\u0e43\u0e2b\u0e49\u0e40\u0e02\u0e35\u0e22\u0e19\u0e42\u0e04\u0e49\u0e14\u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49:<\/p>\n\n\n\n
(\u0e16\u0e49\u0e32\u0e2d\u0e48\u0e32\u0e19 eng \u0e44\u0e21\u0e48\u0e40\u0e02\u0e49\u0e32\u0e43\u0e08 \u0e43\u0e2b\u0e49\u0e21\u0e31\u0e19\u0e2d\u0e18\u0e34\u0e1a\u0e32\u0e22\u0e40\u0e1b\u0e47\u0e19\u0e20\u0e32\u0e29\u0e32\u0e44\u0e17\u0e22\u0e44\u0e14\u0e49\u0e19\u0e30 \u0e41\u0e15\u0e48 eng \u0e08\u0e30\u0e09\u0e25\u0e32\u0e14\u0e01\u0e27\u0e48\u0e32\u0e41\u0e25\u0e30\u0e40\u0e23\u0e47\u0e27\u0e01\u0e27\u0e48\u0e32)<\/p>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/2024-04-16-12_01_56-ChatGPT-Excel-Python-Guide.png\")
<\/figure>\n\n\n\n\u0e40\u0e23\u0e32\u0e40\u0e02\u0e35\u0e22\u0e19\u0e42\u0e04\u0e49\u0e14\u0e15\u0e32\u0e21\u0e17\u0e35\u0e48\u0e41\u0e19\u0e30\u0e19\u0e33 \u0e42\u0e14\u0e22\u0e40\u0e23\u0e34\u0e48\u0e21\u0e08\u0e32\u0e01\u0e1e\u0e34\u0e21\u0e1e\u0e4c =PY \u0e01\u0e14 tab \u0e08\u0e32\u0e01\u0e19\u0e31\u0e49\u0e19\u0e41\u0e25\u0e49\u0e27\u0e40\u0e2d\u0e32\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e40\u0e02\u0e49\u0e32\u0e14\u0e49\u0e27\u0e22 xl \u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49 (\u0e2a\u0e32\u0e21\u0e32\u0e23\u0e16\u0e08\u0e34\u0e49\u0e21\u0e17\u0e35\u0e48 cell \u0e27\u0e48\u0e32\u0e07\u0e46 \u0e08\u0e30\u0e02\u0e36\u0e49\u0e19 =xl \u0e21\u0e32\u0e40\u0e2d\u0e07 \u0e41\u0e25\u0e49\u0e27\u0e41\u0e01\u0e49\u0e02\u0e49\u0e32\u0e07\u0e43\u0e19\u0e40\u0e1b\u0e47\u0e19\u0e0a\u0e37\u0e48\u0e2d Query)<\/p>\n\n\n\n
\u0e1c\u0e21\u0e25\u0e2d\u0e07\u0e04\u0e33\u0e2a\u0e31\u0e48\u0e07\u0e41\u0e23\u0e01\u0e01\u0e48\u0e2d\u0e19 \u0e04\u0e37\u0e2d \u0e01\u0e32\u0e23\u0e40\u0e2d\u0e32 DataFrame \u0e40\u0e02\u0e49\u0e32<\/p>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/2024-04-16-11_44_55-ML-basic.xlsx-Excel.png\")
<\/figure>\n\n\n\n<\/span>\u0e40\u0e23\u0e34\u0e48\u0e21\u0e2a\u0e33\u0e23\u0e27\u0e08\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25<\/span><\/h2>\n\n\n\n\u0e16\u0e49\u0e32\u0e40\u0e23\u0e32\u0e43\u0e0a\u0e49 describe() \u0e15\u0e32\u0e21\u0e17\u0e35\u0e48\u0e21\u0e31\u0e19\u0e1a\u0e2d\u0e01 \u0e21\u0e31\u0e19\u0e01\u0e47\u0e08\u0e30\u0e21\u0e35\u0e1c\u0e25\u0e2a\u0e23\u0e38\u0e1b\u0e21\u0e32\u0e43\u0e2b\u0e49\u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49<\/p>\n\n\n\n
\u0e40\u0e23\u0e32\u0e2a\u0e32\u0e21\u0e32\u0e23\u0e16\u0e01\u0e14\u0e40\u0e1b\u0e25\u0e35\u0e48\u0e22\u0e19 Python Object \u0e43\u0e2b\u0e49\u0e40\u0e1b\u0e47\u0e19 Excel Value \u0e44\u0e14\u0e49 (\u0e01\u0e14\u0e02\u0e49\u0e32\u0e07\u0e46 PY \u0e15\u0e23\u0e07 Formula Bar \u0e2b\u0e23\u0e37\u0e2d\u0e08\u0e30\u0e01\u0e14\u0e04\u0e35\u0e22\u0e4c\u0e25\u0e31\u0e14 Ctrl+Alt+Shift+M \u0e01\u0e47\u0e44\u0e14\u0e49)<\/p>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/2024-04-16-12_04_09-ML-basic.xlsx-Excel.png\")
<\/figure>\n\n\n\n\u0e17\u0e35\u0e19\u0e35\u0e49\u0e40\u0e23\u0e32\u0e16\u0e32\u0e21 AI \u0e15\u0e48\u0e2d\u0e27\u0e48\u0e32 \u0e16\u0e49\u0e32\u0e2d\u0e22\u0e32\u0e01\u0e08\u0e30 Predict Charges \u0e04\u0e27\u0e23\u0e08\u0e30\u0e17\u0e33\u0e22\u0e31\u0e07\u0e44\u0e07?<\/p>\n\n\n\n
\u0e21\u0e31\u0e19\u0e01\u0e47\u0e08\u0e30\u0e1a\u0e2d\u0e01\u0e27\u0e48\u0e32\u0e21\u0e35\u0e02\u0e31\u0e49\u0e19\u0e15\u0e2d\u0e19\u0e1b\u0e23\u0e30\u0e21\u0e32\u0e13\u0e19\u0e35\u0e49 <\/p>\n\n\n\n
\n- \u0e01\u0e32\u0e23\u0e40\u0e15\u0e23\u0e35\u0e22\u0e21\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25 (Data Preprocessing)<\/strong>: \u0e15\u0e23\u0e27\u0e08\u0e2a\u0e2d\u0e1a\u0e43\u0e2b\u0e49\u0e41\u0e19\u0e48\u0e43\u0e08\u0e27\u0e48\u0e32\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e2a\u0e30\u0e2d\u0e32\u0e14\u0e41\u0e25\u0e30\u0e2d\u0e22\u0e39\u0e48\u0e43\u0e19\u0e23\u0e39\u0e1b\u0e41\u0e1a\u0e1a\u0e17\u0e35\u0e48\u0e16\u0e39\u0e01\u0e15\u0e49\u0e2d\u0e07\u0e2a\u0e33\u0e2b\u0e23\u0e31\u0e1a\u0e01\u0e32\u0e23\u0e27\u0e34\u0e40\u0e04\u0e23\u0e32\u0e30\u0e2b\u0e4c<\/li>\n\n\n\n
- \u0e01\u0e32\u0e23\u0e40\u0e25\u0e37\u0e2d\u0e01\u0e04\u0e38\u0e13\u0e25\u0e31\u0e01\u0e29\u0e13\u0e30 (Feature Selection)<\/strong>: \u0e15\u0e31\u0e14\u0e2a\u0e34\u0e19\u0e43\u0e08\u0e27\u0e48\u0e32\u0e04\u0e38\u0e13\u0e25\u0e31\u0e01\u0e29\u0e13\u0e30 (\u0e04\u0e2d\u0e25\u0e31\u0e21\u0e19\u0e4c) \u0e43\u0e14\u0e43\u0e19\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e17\u0e35\u0e48\u0e2d\u0e32\u0e08\u0e21\u0e35\u0e2d\u0e34\u0e17\u0e18\u0e34\u0e1e\u0e25\u0e15\u0e48\u0e2d\u0e04\u0e48\u0e32\u0e43\u0e0a\u0e49\u0e08\u0e48\u0e32\u0e22 (charges)<\/li>\n\n\n\n
- \u0e01\u0e32\u0e23\u0e41\u0e1a\u0e48\u0e07\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25 (Data Splitting)<\/strong>: \u0e41\u0e1a\u0e48\u0e07\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e02\u0e2d\u0e07\u0e04\u0e38\u0e13\u0e2d\u0e2d\u0e01\u0e40\u0e1b\u0e47\u0e19\u0e0a\u0e38\u0e14\u0e1d\u0e36\u0e01\u0e1d\u0e19 (training set) \u0e41\u0e25\u0e30\u0e0a\u0e38\u0e14\u0e17\u0e14\u0e2a\u0e2d\u0e1a (testing set)<\/li>\n\n\n\n
- \u0e01\u0e32\u0e23\u0e40\u0e25\u0e37\u0e2d\u0e01\u0e42\u0e21\u0e40\u0e14\u0e25 (Model Selection)<\/strong>: \u0e40\u0e25\u0e37\u0e2d\u0e01\u0e42\u0e21\u0e40\u0e14\u0e25\u0e01\u0e32\u0e23\u0e40\u0e23\u0e35\u0e22\u0e19\u0e23\u0e39\u0e49\u0e02\u0e2d\u0e07\u0e40\u0e04\u0e23\u0e37\u0e48\u0e2d\u0e07 (machine learning model) \u0e17\u0e35\u0e48\u0e40\u0e2b\u0e21\u0e32\u0e30\u0e2a\u0e21\u0e2a\u0e33\u0e2b\u0e23\u0e31\u0e1a\u0e01\u0e32\u0e23\u0e16\u0e14\u0e16\u0e2d\u0e22 (regression) \u0e40\u0e19\u0e37\u0e48\u0e2d\u0e07\u0e08\u0e32\u0e01
charges<\/code> \u0e40\u0e1b\u0e47\u0e19\u0e15\u0e31\u0e27\u0e41\u0e1b\u0e23\u0e15\u0e48\u0e2d\u0e40\u0e19\u0e37\u0e48\u0e2d\u0e07<\/li>\n\n\n\n- \u0e01\u0e32\u0e23\u0e1d\u0e36\u0e01\u0e42\u0e21\u0e40\u0e14\u0e25 (Model Training)<\/strong>: \u0e1d\u0e36\u0e01\u0e42\u0e21\u0e40\u0e14\u0e25\u0e42\u0e14\u0e22\u0e43\u0e0a\u0e49\u0e0a\u0e38\u0e14\u0e1d\u0e36\u0e01\u0e1d\u0e19<\/li>\n\n\n\n
- \u0e01\u0e32\u0e23\u0e1b\u0e23\u0e30\u0e40\u0e21\u0e34\u0e19\u0e42\u0e21\u0e40\u0e14\u0e25 (Model Evaluation)<\/strong>: \u0e1b\u0e23\u0e30\u0e40\u0e21\u0e34\u0e19\u0e1b\u0e23\u0e30\u0e2a\u0e34\u0e17\u0e18\u0e34\u0e20\u0e32\u0e1e\u0e02\u0e2d\u0e07\u0e42\u0e21\u0e40\u0e14\u0e25\u0e14\u0e49\u0e27\u0e22\u0e0a\u0e38\u0e14\u0e17\u0e14\u0e2a\u0e2d\u0e1a<\/li>\n\n\n\n
- \u0e01\u0e32\u0e23\u0e1e\u0e22\u0e32\u0e01\u0e23\u0e13\u0e4c (Prediction)<\/strong>: \u0e43\u0e0a\u0e49\u0e42\u0e21\u0e40\u0e14\u0e25\u0e43\u0e19\u0e01\u0e32\u0e23\u0e17\u0e33\u0e19\u0e32\u0e22\u0e1c\u0e25<\/li>\n<\/ol>\n\n\n\n
\u0e40\u0e1a\u0e37\u0e49\u0e2d\u0e07\u0e15\u0e49\u0e19\u0e21\u0e31\u0e19\u0e43\u0e2b\u0e49 code \u0e21\u0e32\u0e0a\u0e38\u0e14\u0e19\u0e36\u0e07\u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49\u0e40\u0e25\u0e22<\/p>\n\n\n\n
from sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\n# Assuming 'medical_df' is already loaded with the data\n\n# Step 1: Preprocess Data\n# Convert categorical variables to numerical ones using one-hot encoding.\nmedical_df = pd.get_dummies(medical_df)\n\n# Step 2: Feature Selection\n# We will use all columns except 'charges' as features to predict 'charges'.\nX = medical_df.drop('charges', axis=1) # Features\ny = medical_df['charges'] # Target variable\n\n# Step 3: Data Splitting\n# Split the dataset into a training set and a testing set.\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\n# Step 4 & 5: Model Selection and Training\n# Create a linear regression model and train it with the training data.\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\n\n# Step 6: Model Evaluation\n# Predict charges for the testing set and evaluate the model's performance.\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nr2 = r2_score(y_test, y_pred)\n\n# The mean squared error and R-squared value give us an idea of the model's performance.\nmse, r2\n\n# Step 7: Prediction\n# Use the trained model to predict charges based on a new set of features.\n# Here's an example using the first row from the test set:\nexample = X_test.iloc[0]\npredicted_charge = model.predict([example])\n\n# The variable 'predicted_charge' now holds the predicted value for the charges.\npredicted_charge\n\n# Note: No print statements needed, as we assign the output to variables.\n<\/code><\/pre>\n\n\n\n\u0e0b\u0e36\u0e48\u0e07\u0e16\u0e49\u0e32\u0e40\u0e23\u0e32\u0e40\u0e2d\u0e32 code \u0e17\u0e31\u0e49\u0e07\u0e22\u0e27\u0e07\u0e44\u0e1b\u0e43\u0e0a\u0e49\u0e40\u0e25\u0e22 \u0e41\u0e17\u0e19\u0e43\u0e19 Cell \u0e40\u0e14\u0e34\u0e21 (A3)<\/p>\n\n\n\n
\u0e40\u0e2b\u0e21\u0e37\u0e2d\u0e19\u0e27\u0e48\u0e32\u0e21\u0e31\u0e19\u0e08\u0e30\u0e44\u0e14\u0e49\u0e40\u0e25\u0e02\u0e17\u0e35\u0e48\u0e40\u0e1b\u0e47\u0e19\u0e1c\u0e25 Predict \u0e44\u0e1b\u0e40\u0e25\u0e22 \u0e04\u0e37\u0e2d 8969.55 (\u0e40\u0e25\u0e02\u0e41\u0e15\u0e48\u0e25\u0e30\u0e04\u0e19\u0e2d\u0e32\u0e08\u0e44\u0e21\u0e48\u0e40\u0e2b\u0e21\u0e37\u0e2d\u0e19\u0e01\u0e31\u0e19 \u0e40\u0e1e\u0e23\u0e32\u0e30\u0e08\u0e23\u0e34\u0e07\u0e46 \u0e21\u0e31\u0e19 random \u0e17\u0e14\u0e2a\u0e2d\u0e1a) \u0e0b\u0e36\u0e48\u0e07\u0e15\u0e2d\u0e19\u0e19\u0e35\u0e49\u0e40\u0e23\u0e32\u0e2d\u0e32\u0e08\u0e22\u0e31\u0e07\u0e44\u0e21\u0e48\u0e23\u0e39\u0e49\u0e27\u0e48\u0e32\u0e21\u0e31\u0e19 Predict \u0e2d\u0e30\u0e44\u0e23\u0e2d\u0e2d\u0e01\u0e21\u0e32\u0e14\u0e49\u0e27\u0e22\u0e0b\u0e49\u0e33 \u0e40\u0e14\u0e35\u0e4b\u0e22\u0e27\u0e40\u0e23\u0e32\u0e08\u0e30\u0e25\u0e2d\u0e07\u0e40\u0e2d\u0e32\u0e04\u0e48\u0e32\u0e02\u0e2d\u0e07\u0e41\u0e15\u0e48\u0e25\u0e30 Step \u0e2d\u0e2d\u0e01\u0e21\u0e32\u0e14\u0e39 \u0e42\u0e14\u0e22\u0e40\u0e2d\u0e32\u0e15\u0e31\u0e27\u0e41\u0e1b\u0e23\u0e19\u0e31\u0e49\u0e19\u0e21\u0e32\u0e40\u0e23\u0e35\u0e22\u0e01\u0e2d\u0e35\u0e01\u0e17\u0e35\u0e43\u0e19\u0e15\u0e2d\u0e19\u0e08\u0e1a \u0e08\u0e30\u0e14\u0e35\u0e01\u0e27\u0e48\u0e32<\/p>\n\n\n\n
Tips : \u0e1b\u0e23\u0e31\u0e1a\u0e01\u0e32\u0e23\u0e04\u0e33\u0e19\u0e27\u0e13\u0e40\u0e1b\u0e47\u0e19 Manual \u0e01\u0e48\u0e2d\u0e19 \u0e08\u0e30\u0e40\u0e23\u0e47\u0e27\u0e01\u0e27\u0e48\u0e32<\/strong><\/p>\n\n\n\n\u0e16\u0e49\u0e32\u0e40\u0e23\u0e32\u0e21\u0e35\u0e01\u0e32\u0e23\u0e04\u0e33\u0e19\u0e27\u0e13\u0e2b\u0e25\u0e32\u0e22\u0e0a\u0e48\u0e2d\u0e07 \u0e1c\u0e21\u0e41\u0e19\u0e30\u0e19\u0e33\u0e43\u0e2b\u0e49\u0e1b\u0e23\u0e31\u0e1a\u0e01\u0e32\u0e23\u0e04\u0e33\u0e19\u0e27\u0e13\u0e40\u0e1b\u0e47\u0e19 Manual \u0e01\u0e48\u0e2d\u0e19 \u0e08\u0e30\u0e40\u0e23\u0e47\u0e27\u0e01\u0e27\u0e48\u0e32 \u0e40\u0e1e\u0e23\u0e32\u0e30\u0e21\u0e31\u0e19\u0e08\u0e30\u0e44\u0e14\u0e49\u0e44\u0e21\u0e48\u0e15\u0e49\u0e2d\u0e07\u0e2a\u0e48\u0e07 Code \u0e17\u0e38\u0e01\u0e0a\u0e48\u0e2d\u0e07\u0e17\u0e35\u0e48\u0e40\u0e04\u0e22\u0e23\u0e31\u0e19\u0e41\u0e25\u0e49\u0e27\u0e44\u0e1b\u0e04\u0e33\u0e19\u0e27\u0e13\u0e43\u0e2b\u0e21\u0e48\u0e15\u0e25\u0e2d\u0e14\u0e40\u0e27\u0e25\u0e32<\/p>\n\n\n\n
\u0e41\u0e15\u0e48\u0e16\u0e49\u0e32\u0e40\u0e23\u0e32\u0e21\u0e35\u0e01\u0e32\u0e23\u0e01\u0e25\u0e31\u0e1a\u0e44\u0e1b\u0e41\u0e01\u0e49 Code \u0e43\u0e19 Cell \u0e40\u0e14\u0e34\u0e21 \u0e2d\u0e22\u0e48\u0e32\u0e25\u0e37\u0e21\u0e01\u0e14 F9 \u0e40\u0e1e\u0e37\u0e48\u0e2d Recalculate \u0e14\u0e49\u0e27\u0e22\u0e19\u0e30<\/p>\n\n\n\n
<\/span>\u0e14\u0e39\u0e1c\u0e25\u0e25\u0e31\u0e1e\u0e18\u0e4c\u0e17\u0e35\u0e25\u0e30 Step<\/span><\/h2>\n\n\n\n\u0e40\u0e14\u0e35\u0e4b\u0e22\u0e27\u0e40\u0e23\u0e32\u0e08\u0e30\u0e25\u0e2d\u0e07\u0e40\u0e2d\u0e32\u0e04\u0e48\u0e32\u0e02\u0e2d\u0e07\u0e41\u0e15\u0e48\u0e25\u0e30 Step \u0e2d\u0e2d\u0e01\u0e21\u0e32\u0e14\u0e39 \u0e42\u0e14\u0e22\u0e40\u0e2d\u0e32\u0e15\u0e31\u0e27\u0e41\u0e1b\u0e23\u0e19\u0e31\u0e49\u0e19\u0e21\u0e32\u0e40\u0e23\u0e35\u0e22\u0e01\u0e2d\u0e35\u0e01\u0e17\u0e35\u0e43\u0e19\u0e15\u0e2d\u0e19\u0e08\u0e1a \u0e40\u0e0a\u0e48\u0e19 \u0e40\u0e23\u0e32\u0e08\u0e30\u0e25\u0e2d\u0e07\u0e40\u0e23\u0e35\u0e22\u0e01\u0e14\u0e39\u0e04\u0e48\u0e32 medical_df \u0e42\u0e14\u0e22\u0e40\u0e23\u0e35\u0e22\u0e01\u0e14\u0e39\u0e43\u0e19 Cell \u0e14\u0e49\u0e32\u0e19\u0e02\u0e27\u0e32\u0e2b\u0e23\u0e37\u0e2d\u0e14\u0e49\u0e32\u0e19\u0e25\u0e48\u0e32\u0e07\u0e02\u0e2d\u0e07 Code<\/strong> \u0e0a\u0e38\u0e14\u0e43\u0e2b\u0e0d\u0e48\u0e17\u0e35\u0e48\u0e40\u0e23\u0e32\u0e43\u0e2a\u0e48\u0e44\u0e27\u0e49<\/p>\n\n\n\nmedical_df<\/code><\/pre>\n\n\n\n\u0e40\u0e0a\u0e48\u0e19 \u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49<\/p>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/2024-04-19-11_48_53-ML-basic.xlsx-Excel-1024x174.png\")
<\/figure>\n\n\n\n\u0e25\u0e2d\u0e07\u0e23\u0e31\u0e19\u0e42\u0e04\u0e49\u0e14\u0e41\u0e25\u0e49\u0e27\u0e01\u0e47\u0e08\u0e30\u0e40\u0e08\u0e2d\u0e1b\u0e31\u0e0d\u0e2b\u0e32\u0e27\u0e48\u0e32 \u0e01\u0e32\u0e23\u0e43\u0e0a\u0e49 pd.get_dummies() \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e2a\u0e23\u0e49\u0e32\u0e07 Dummy Variables \u0e43\u0e2b\u0e49\u0e01\u0e31\u0e1a\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e1b\u0e23\u0e30\u0e40\u0e20\u0e17 Categorical \u0e19\u0e31\u0e49\u0e19\u0e43\u0e19 Python \u0e02\u0e2d\u0e07 Excel \u0e08\u0e30\u0e44\u0e14\u0e49\u0e04\u0e48\u0e32\u0e40\u0e1b\u0e47\u0e19 True\/False \u0e41\u0e17\u0e19\u0e17\u0e35\u0e48\u0e08\u0e30\u0e40\u0e1b\u0e47\u0e19 1\/0<\/p>\n\n\n\n
AI \u0e21\u0e31\u0e19\u0e08\u0e30\u0e1a\u0e2d\u0e01\u0e27\u0e48\u0e32 \u0e43\u0e2b\u0e49\u0e40\u0e23\u0e32\u0e17\u0e33\u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49 \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e1a\u0e31\u0e07\u0e04\u0e31\u0e1a\u0e43\u0e2b\u0e49\u0e40\u0e1b\u0e47\u0e19 int<\/p>\n\n\n\n
medical_df = medical_df.astype(int)<\/code><\/pre>\n\n\n\n\u0e08\u0e36\u0e07\u0e15\u0e49\u0e2d\u0e07\u0e40\u0e1e\u0e34\u0e48\u0e21 Code \u0e43\u0e19\u0e2a\u0e48\u0e27\u0e19\u0e02\u0e2d\u0e07 Data Preprocessing \u0e42\u0e14\u0e22\u0e43\u0e0a\u0e49 astype(int) \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e41\u0e1b\u0e25\u0e07 True\/False \u0e43\u0e2b\u0e49\u0e40\u0e1b\u0e47\u0e19 1\/0<\/p>\n\n\n\n
\u0e14\u0e31\u0e07\u0e19\u0e31\u0e49\u0e19\u0e1c\u0e21\u0e08\u0e30\u0e41\u0e01\u0e49\u0e2a\u0e39\u0e15\u0e23\u0e42\u0e14\u0e22\u0e40\u0e2d\u0e32\u0e04\u0e48\u0e32\u0e19\u0e35\u0e49\u0e44\u0e1b\u0e15\u0e48\u0e2d\u0e08\u0e32\u0e01\u0e04\u0e33\u0e27\u0e48\u0e32 medical_df = pd.get_dummies(medical_df) \u0e43\u0e19 Step1 \u0e0b\u0e36\u0e48\u0e07\u0e08\u0e30\u0e01\u0e25\u0e32\u0e22\u0e40\u0e1b\u0e47\u0e19<\/p>\n\n\n\n
# Step 1: Preprocess Data\n# Convert categorical variables to numerical ones using one-hot encoding.\nmedical_df = pd.get_dummies(medical_df)\nmedical_df = medical_df.astype(int)<\/code><\/pre>\n\n\n\n\u0e0b\u0e36\u0e48\u0e07\u0e16\u0e49\u0e32\u0e40\u0e23\u0e32\u0e41\u0e01\u0e49\u0e08\u0e30\u0e44\u0e14\u0e49\u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49 \u0e04\u0e37\u0e2d\u0e40\u0e1b\u0e47\u0e19 1,0 \u0e25\u0e30 \u0e16\u0e37\u0e2d\u0e27\u0e48\u0e32\u0e43\u0e0a\u0e49\u0e44\u0e14\u0e49<\/p>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/2024-04-19-11_55_03-ML-basic.xlsx-Excel-1024x201.png\")
<\/figure>\n\n\n\n\u0e04\u0e23\u0e32\u0e27\u0e19\u0e35\u0e49\u0e40\u0e23\u0e32\u0e01\u0e47\u0e21\u0e32\u0e14\u0e39 Step \u0e16\u0e31\u0e14\u0e44\u0e1b\u0e44\u0e14\u0e49\u0e25\u0e30 \u0e16\u0e49\u0e32\u0e40\u0e23\u0e32\u0e25\u0e2d\u0e07\u0e14\u0e39\u0e2a\u0e39\u0e15\u0e23\u0e02\u0e2d\u0e07\u0e04\u0e48\u0e32 X \u0e01\u0e31\u0e1a Y \u0e17\u0e35\u0e48\u0e21\u0e32\u0e08\u0e32\u0e01 Step2 \u0e21\u0e31\u0e19\u0e04\u0e37\u0e2d\u0e41\u0e04\u0e48\u0e01\u0e32\u0e23\u0e41\u0e22\u0e01\u0e27\u0e48\u0e32 X \u0e04\u0e37\u0e2d\u0e15\u0e31\u0e27\u0e41\u0e1b\u0e23\u0e15\u0e49\u0e19 (Features) \u0e41\u0e25\u0e30 y \u0e04\u0e37\u0e2d\u0e15\u0e31\u0e27\u0e41\u0e1b\u0e23\u0e15\u0e32\u0e21 \u0e04\u0e37\u0e2d Charges<\/p>\n\n\n\n
\u0e2a\u0e48\u0e27\u0e19\u0e19\u0e35\u0e49 Code \u0e40\u0e14\u0e34\u0e21 \u0e40\u0e04\u0e49\u0e32\u0e41\u0e04\u0e48\u0e01\u0e33\u0e2b\u0e19\u0e14\u0e15\u0e31\u0e27\u0e41\u0e1b\u0e23 X \u0e01\u0e31\u0e1a y \u0e27\u0e48\u0e32 X \u0e04\u0e37\u0e2d Features \u0e17\u0e35\u0e48\u0e08\u0e30\u0e43\u0e0a\u0e49 (\u0e43\u0e19\u0e17\u0e35\u0e48\u0e19\u0e35\u0e49\u0e21\u0e31\u0e19\u0e40\u0e2d\u0e32\u0e17\u0e38\u0e01\u0e2d\u0e31\u0e19\u0e22\u0e01\u0e40\u0e27\u0e49\u0e19 Charges \u0e40\u0e1e\u0e23\u0e32\u0e30\u0e21\u0e31\u0e19 drop \u0e17\u0e34\u0e49\u0e07\u0e44\u0e1b) \u0e41\u0e25\u0e30 y \u0e04\u0e37\u0e2d target \u0e17\u0e35\u0e48\u0e40\u0e23\u0e32\u0e15\u0e49\u0e2d\u0e07\u0e01\u0e32\u0e23 Predicts<\/p>\n\n\n\n
# Step 2: Feature Selection\n# We will use all columns except 'charges' as features to predict 'charges'.\nX = medical_df.drop('charges', axis=1) # Features\ny = medical_df['charges'] # Target variable<\/code><\/pre>\n\n\n\n\u0e0b\u0e36\u0e48\u0e07\u0e40\u0e2d\u0e32\u0e40\u0e02\u0e49\u0e32\u0e43\u0e08\u0e40\u0e23\u0e32\u0e15\u0e49\u0e2d\u0e07\u0e14\u0e39\u0e14\u0e49\u0e27\u0e22\u0e27\u0e48\u0e32 features \u0e21\u0e31\u0e19 Make sense \u0e44\u0e2b\u0e21 \u0e41\u0e25\u0e49\u0e27\u0e0b\u0e49\u0e33\u0e0b\u0e49\u0e2d\u0e19\u0e44\u0e2b\u0e21? \u0e40\u0e0a\u0e48\u0e19\u0e1e\u0e27\u0e01 Transaction id, customer id \u0e2d\u0e30\u0e44\u0e23\u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49\u0e44\u0e21\u0e48\u0e04\u0e27\u0e23\u0e40\u0e2d\u0e32\u0e21\u0e32\u0e40\u0e1b\u0e47\u0e19 Feature \u0e19\u0e30 \u0e41\u0e15\u0e48\u0e43\u0e19\u0e40\u0e04\u0e2a\u0e19\u0e35\u0e49\u0e40\u0e23\u0e32\u0e44\u0e21\u0e48\u0e21\u0e35 \u0e01\u0e47\u0e40\u0e25\u0e22\u0e44\u0e21\u0e48\u0e40\u0e1b\u0e47\u0e19\u0e44\u0e23<\/p>\n\n\n\n
\u0e08\u0e32\u0e01\u0e19\u0e31\u0e49\u0e19\u0e25\u0e2d\u0e07\u0e01\u0e25\u0e31\u0e1a\u0e21\u0e32\u0e14\u0e39\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e2d\u0e35\u0e01\u0e04\u0e23\u0e31\u0e49\u0e07 \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e15\u0e23\u0e27\u0e08\u0e2a\u0e2d\u0e1a\u0e27\u0e48\u0e32\u0e21\u0e35\u0e04\u0e2d\u0e25\u0e31\u0e21\u0e19\u0e4c\u0e17\u0e35\u0e48\u0e2d\u0e32\u0e08\u0e08\u0e30\u0e0b\u0e49\u0e33\u0e0b\u0e49\u0e2d\u0e19\u0e2b\u0e23\u0e37\u0e2d\u0e44\u0e21\u0e48\u0e40\u0e2b\u0e21\u0e32\u0e30\u0e17\u0e35\u0e48\u0e08\u0e30\u0e19\u0e33\u0e21\u0e32\u0e43\u0e0a\u0e49\u0e17\u0e33\u0e19\u0e32\u0e22\u0e2b\u0e23\u0e37\u0e2d\u0e44\u0e21\u0e48 \u0e1e\u0e1a\u0e27\u0e48\u0e32\u0e21\u0e35\u0e04\u0e2d\u0e25\u0e31\u0e21\u0e19\u0e4c sex_female \u0e01\u0e31\u0e1a smoker_no \u0e17\u0e35\u0e48\u0e2a\u0e32\u0e21\u0e32\u0e23\u0e16 drop \u0e2d\u0e2d\u0e01\u0e44\u0e1b\u0e44\u0e14\u0e49\u0e40\u0e25\u0e22 \u0e40\u0e1e\u0e23\u0e32\u0e30\u0e21\u0e31\u0e19\u0e15\u0e23\u0e07\u0e02\u0e49\u0e32\u0e21\u0e01\u0e31\u0e1a sex_male \u0e41\u0e25\u0e30 smoker_yes \u0e2d\u0e22\u0e39\u0e48\u0e41\u0e25\u0e49\u0e27<\/p>\n\n\n\n
\u0e14\u0e31\u0e07\u0e19\u0e31\u0e49\u0e19\u0e40\u0e23\u0e32\u0e08\u0e30\u0e41\u0e01\u0e49\u0e2a\u0e39\u0e15\u0e23\u0e02\u0e2d\u0e07 medical_df \u0e43\u0e2b\u0e49 drop [‘sex_female’,’smoker_no’] \u0e44\u0e1b\u0e40\u0e25\u0e22 <\/p>\n\n\n\n
# Step 1: Preprocess Data\n# Convert categorical variables to numerical ones using one-hot encoding.\nmedical_df = pd.get_dummies(medical_df)\nmedical_df = medical_df.astype(int)\nmedical_df = medical_df.drop(['sex_female','smoker_no'],axis=1)<\/code><\/pre>\n\n\n\n\u0e08\u0e32\u0e01\u0e19\u0e31\u0e49\u0e19\u0e40\u0e23\u0e32\u0e25\u0e2d\u0e07\u0e40\u0e2d\u0e32\u0e04\u0e48\u0e32 X \u0e21\u0e32\u0e14\u0e39 \u0e08\u0e30\u0e40\u0e2b\u0e47\u0e19\u0e27\u0e48\u0e32 Field \u0e17\u0e35\u0e48\u0e0b\u0e49\u0e33\u0e0b\u0e49\u0e2d\u0e19\u0e2b\u0e32\u0e22\u0e44\u0e1b\u0e41\u0e25\u0e49\u0e27<\/p>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/2024-04-19-11_59_49-ML-basic.xlsx-Excel-1024x239.png\")
<\/figure>\n\n\n\n\u0e16\u0e49\u0e32\u0e40\u0e23\u0e32\u0e25\u0e2d\u0e07\u0e43\u0e2a\u0e48 Code \u0e44\u0e1b\u0e27\u0e48\u0e32<\/p>\n\n\n\n
X.shape<\/code><\/pre>\n\n\n\n\u0e40\u0e23\u0e32\u0e01\u0e47\u0e08\u0e30\u0e23\u0e39\u0e49\u0e02\u0e19\u0e32\u0e14\u0e02\u0e2d\u0e07 DataFrame X \u0e0b\u0e36\u0e48\u0e07\u0e08\u0e30\u0e44\u0e14\u0e49\u0e27\u0e48\u0e32\u0e40\u0e1b\u0e47\u0e19 Tuple \u0e02\u0e19\u0e32\u0e14 1338, 9 \u0e0b\u0e36\u0e48\u0e07\u0e01\u0e47\u0e04\u0e37\u0e2d \u0e08\u0e33\u0e19\u0e27\u0e19 1338 \u0e41\u0e16\u0e27 9 \u0e04\u0e2d\u0e25\u0e31\u0e21\u0e19\u0e4c\u0e19\u0e31\u0e48\u0e19\u0e40\u0e2d\u0e07<\/p>\n\n\n\n
\u0e2a\u0e39\u0e15\u0e23\u0e15\u0e48\u0e2d\u0e44\u0e1b\u0e40\u0e1b\u0e47\u0e19\u0e01\u0e32\u0e23\u0e41\u0e22\u0e01\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25 Training Set \u0e01\u0e31\u0e1a Test Set \u0e2d\u0e31\u0e19\u0e19\u0e35\u0e49\u0e21\u0e31\u0e19\u0e01\u0e33\u0e2b\u0e19\u0e14 Test size = 0.2 \u0e01\u0e47\u0e04\u0e37\u0e2d 20% \u0e0b\u0e36\u0e48\u0e07\u0e01\u0e47\u0e14\u0e39 ok \u0e17\u0e33\u0e43\u0e2b\u0e49 X \u0e01\u0e47\u0e40\u0e25\u0e22\u0e41\u0e22\u0e01\u0e40\u0e1b\u0e47\u0e19 2 \u0e0a\u0e38\u0e14 \u0e04\u0e37\u0e2d X_train, X_test \u0e41\u0e25\u0e30 y \u0e01\u0e47\u0e01\u0e25\u0e32\u0e22\u0e40\u0e1b\u0e47\u0e19 y_train, y_test <\/p>\n\n\n\n
# Step 3: Data Splitting\n# Split the dataset into a training set and a testing set.\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)<\/code><\/pre>\n\n\n\n\u0e16\u0e49\u0e32\u0e40\u0e23\u0e32\u0e25\u0e2d\u0e07 X_train.shape \u0e08\u0e30\u0e44\u0e14\u0e49 1070 \u0e41\u0e16\u0e27 9 \u0e04\u0e2d\u0e25\u0e31\u0e21\u0e19\u0e4c \u0e41\u0e25\u0e30 X_test.shape \u0e08\u0e30\u0e44\u0e14\u0e49 268 \u0e41\u0e16\u0e27 9 \u0e04\u0e2d\u0e25\u0e31\u0e21\u0e19\u0e4c \u0e0b\u0e36\u0e48\u0e07\u0e16\u0e49\u0e32\u0e23\u0e27\u0e21\u0e01\u0e31\u0e19\u0e01\u0e47\u0e04\u0e37\u0e2d\u0e01\u0e25\u0e31\u0e1a\u0e44\u0e1b\u0e40\u0e17\u0e48\u0e32\u0e01\u0e31\u0e1a X \u0e17\u0e35\u0e48 1338 \u0e41\u0e16\u0e27\u0e19\u0e31\u0e48\u0e19\u0e40\u0e2d\u0e07<\/p>\n\n\n\n
\u0e15\u0e48\u0e2d\u0e44\u0e1b\u0e40\u0e1b\u0e47\u0e19\u0e01\u0e32\u0e23\u0e40\u0e25\u0e37\u0e2d\u0e01 Model<\/p>\n\n\n\n
# Step 4 & 5: Model Selection and Training\n# Create a linear regression model and train it with the training data.\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)<\/code><\/pre>\n\n\n\n\u0e21\u0e31\u0e19\u0e21\u0e2d\u0e07\u0e27\u0e48\u0e32 \u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e02\u0e2d\u0e07\u0e40\u0e23\u0e32\u0e40\u0e2b\u0e21\u0e32\u0e30\u0e01\u0e31\u0e1a\u0e01\u0e32\u0e23\u0e17\u0e33 Linear Regression \u0e01\u0e47\u0e40\u0e25\u0e22\u0e40\u0e25\u0e37\u0e2d\u0e01 Model \u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49\u0e21\u0e32\u0e43\u0e2b\u0e49 \u0e0b\u0e36\u0e48\u0e07\u0e1e\u0e2d\u0e16\u0e32\u0e21\u0e44\u0e1b\u0e1b\u0e38\u0e4a\u0e1b\u0e21\u0e31\u0e19\u0e01\u0e47\u0e41\u0e19\u0e30\u0e19\u0e33\u0e27\u0e48\u0e32 \u0e04\u0e27\u0e23\u0e08\u0e30 Visualize \u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e14\u0e39\u0e01\u0e48\u0e2d\u0e19\u0e27\u0e48\u0e32\u0e21\u0e35\u0e04\u0e27\u0e32\u0e21\u0e40\u0e1b\u0e47\u0e19\u0e40\u0e2a\u0e49\u0e19\u0e15\u0e23\u0e07\u0e08\u0e23\u0e34\u0e07\u0e44\u0e2b\u0e21<\/p>\n\n\n\n
\u0e01\u0e47\u0e40\u0e25\u0e22\u0e08\u0e30\u0e25\u0e2d\u0e07 Plot \u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49\u0e14\u0e39<\/p>\n\n\n\n
Correlation Matrix<\/strong><\/p>\n\n\n\n# Compute the correlation matrix\ncorr_matrix = medical_df.corr()\n\n# Generate a heatmap\nsns.heatmap(corr_matrix, annot=True, fmt=\".2f\")<\/code><\/pre>\n\n\n\n\u0e1e\u0e2d\u0e01\u0e14\u0e43\u0e2b\u0e49\u0e40\u0e1b\u0e47\u0e19 Excel Value \u0e08\u0e30\u0e40\u0e1b\u0e47\u0e19\u0e23\u0e39\u0e1b\u0e40\u0e25\u0e47\u0e01\u0e46 \u0e43\u0e19 Cell <\/p>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/2024-04-19-12_49_07-ML-basic.xlsx-Excel.png\")
<\/figure>\n\n\n\n\u0e1e\u0e2d\u0e40\u0e25\u0e37\u0e2d\u0e01\u0e17\u0e35\u0e48 Cell \u0e17\u0e35\u0e48\u0e21\u0e35\u0e23\u0e39\u0e1b\u0e08\u0e30\u0e21\u0e35 Link \u0e2d\u0e2d\u0e01\u0e21\u0e32\u0e40\u0e1b\u0e47\u0e19\u0e23\u0e39\u0e1b\u0e43\u0e2b\u0e0d\u0e48\u0e43\u0e2b\u0e49 \u0e02\u0e22\u0e32\u0e22\u0e44\u0e14\u0e49\u0e15\u0e32\u0e21\u0e43\u0e08\u0e0a\u0e2d\u0e1a \u0e44\u0e14\u0e49\u0e01\u0e23\u0e32\u0e1f\u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49 (\u0e01\u0e14 save as picture \u0e44\u0e14\u0e49)<\/p>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/Picture10.png\")
<\/figure>\n\n\n\nScatter Matrix<\/strong><\/p>\n\n\n\n\u0e16\u0e49\u0e32\u0e17\u0e33 Scatter Matrix \u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49<\/p>\n\n\n\n
# Generate a scatter matrix\npd.plotting.scatter_matrix(medical_df, figsize=(10, 10))<\/code><\/pre>\n\n\n\n\u0e08\u0e30\u0e40\u0e2b\u0e47\u0e19\u0e04\u0e27\u0e32\u0e21\u0e2a\u0e31\u0e21\u0e1e\u0e31\u0e19\u0e18\u0e4c\u0e02\u0e2d\u0e07\u0e17\u0e38\u0e01\u0e15\u0e31\u0e27\u0e41\u0e1b\u0e23\u0e0b\u0e36\u0e48\u0e07\u0e2d\u0e32\u0e08\u0e40\u0e22\u0e2d\u0e30\u0e44\u0e1b <\/p>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/Picture2-1.png\")
<\/figure>\n\n\n\n\u0e14\u0e31\u0e07\u0e19\u0e31\u0e49\u0e19\u0e1c\u0e21\u0e40\u0e2d\u0e32\u0e41\u0e04\u0e48 4 \u0e04\u0e2d\u0e25\u0e31\u0e21\u0e19\u0e4c\u0e41\u0e23\u0e01\u0e1e\u0e2d \u0e40\u0e25\u0e22\u0e43\u0e0a\u0e49 iloc slice \u0e15\u0e31\u0e27 DataFrame \u0e2d\u0e2d\u0e01\u0e21\u0e32\u0e41\u0e04\u0e48\u0e19\u0e35\u0e49 \u0e41\u0e25\u0e30\u0e08\u0e30\u0e40\u0e2b\u0e47\u0e19 scatter \u0e41\u0e25\u0e30 distribution \u0e0a\u0e31\u0e14\u0e40\u0e08\u0e19\u0e02\u0e36\u0e49\u0e19\u0e14\u0e49\u0e27\u0e22<\/p>\n\n\n\n
# Generate a scatter matrix\npd.plotting.scatter_matrix(medical_df.iloc[:, :4], figsize=(10, 10))<\/code><\/pre>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/Picture12-1.png\")
<\/figure>\n\n\n\n\u0e08\u0e32\u0e01\u0e23\u0e39\u0e1b \u0e40\u0e23\u0e32\u0e08\u0e30\u0e40\u0e2b\u0e47\u0e19\u0e27\u0e48\u0e32 \u0e04\u0e48\u0e32 Charges \u0e01\u0e47\u0e14\u0e39\u0e21\u0e35\u0e04\u0e27\u0e32\u0e21\u0e2a\u0e31\u0e21\u0e1e\u0e31\u0e19\u0e18\u0e4c\u0e01\u0e31\u0e1a \u0e2d\u0e32\u0e22\u0e38 \u0e41\u0e25\u0e30 bmi \u0e1e\u0e2d\u0e2a\u0e21\u0e04\u0e27\u0e23 \u0e01\u0e47\u0e19\u0e48\u0e32\u0e08\u0e30\u0e25\u0e2d\u0e07\u0e43\u0e0a\u0e49 Linear Regression \u0e44\u0e14\u0e49 \u0e01\u0e47\u0e25\u0e2d\u0e07\u0e43\u0e0a\u0e49\u0e14\u0e39<\/p>\n\n\n\n
\u0e41\u0e25\u0e30 Step 6 \u0e04\u0e37\u0e2d\u0e01\u0e32\u0e23\u0e27\u0e31\u0e14\u0e1c\u0e25\u0e02\u0e2d\u0e07\u0e01\u0e32\u0e23 Predict \u0e27\u0e48\u0e32\u0e41\u0e21\u0e48\u0e19\u0e41\u0e04\u0e48\u0e44\u0e2b\u0e19<\/p>\n\n\n\n
# Step 6: Model Evaluation\n# Predict charges for the testing set and evaluate the model's performance.\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nr2 = r2_score(y_test, y_pred)\n\n# The mean squared error and R-squared value give us an idea of the model's performance.\nmse, r2<\/code><\/pre>\n\n\n\n\u0e25\u0e2d\u0e07\u0e43\u0e2a\u0e48\u0e14\u0e39\u0e04\u0e48\u0e32 mse, r2 \u0e08\u0e30\u0e44\u0e14\u0e49\u0e04\u0e48\u0e32 mse \u0e01\u0e31\u0e1a r2 \u0e40\u0e1b\u0e47\u0e19 20984146.18 \u0e41\u0e25\u0e30 0.86483504<\/p>\n\n\n\n
\u0e15\u0e32\u0e21\u0e25\u0e33\u0e14\u0e31\u0e1a<\/p>\n\n\n\n
\u0e08\u0e32\u0e01\u0e19\u0e31\u0e49\u0e19 Step7 \u0e25\u0e2d\u0e07\u0e17\u0e33\u0e01\u0e32\u0e23 Predict \u0e42\u0e14\u0e22\u0e17\u0e35\u0e48\u0e21\u0e31\u0e19\u0e40\u0e2d\u0e32\u0e04\u0e48\u0e32\u0e08\u0e32\u0e01 Row \u0e41\u0e23\u0e01\u0e44\u0e1b\u0e40\u0e02\u0e49\u0e32 Model \u0e14\u0e39\u0e40\u0e09\u0e22\u0e46 \u0e0b\u0e36\u0e48\u0e07\u0e21\u0e31\u0e19\u0e40\u0e2d\u0e32\u0e04\u0e48\u0e32\u0e08\u0e32\u0e01 X_test \u0e15\u0e31\u0e27\u0e41\u0e23\u0e01\u0e21\u0e32\u0e14\u0e39 <\/p>\n\n\n\n
# Step 7: Prediction\n# Use the trained model to predict charges based on a new set of features.\n# Here's an example using the first row from the test set:\nexample = X_test.iloc[0]\npredicted_charge = model.predict([example])\n\n# The variable 'predicted_charge' now holds the predicted value for the charges.\npredicted_charge<\/code><\/pre>\n\n\n\n\u0e0b\u0e36\u0e48\u0e07\u0e16\u0e49\u0e32\u0e40\u0e23\u0e32\u0e2d\u0e22\u0e32\u0e01\u0e23\u0e39\u0e49\u0e27\u0e48\u0e32\u0e02\u0e2d\u0e07\u0e08\u0e23\u0e34\u0e07\u0e44\u0e14\u0e49\u0e40\u0e17\u0e48\u0e32\u0e44\u0e2b\u0e23\u0e48 \u0e01\u0e47\u0e25\u0e2d\u0e07\u0e40\u0e2d\u0e32 y_test \u0e2d\u0e2d\u0e01\u0e21\u0e32\u0e14\u0e39\u0e40\u0e17\u0e35\u0e22\u0e1a\u0e01\u0e31\u0e19 \u0e42\u0e14\u0e22\u0e43\u0e0a\u0e49<\/p>\n\n\n\n
predicted_charge[0],list(y_test)[0]<\/code><\/pre>\n\n\n\n\u0e1c\u0e25\u0e2d\u0e2d\u0e01\u0e21\u0e32\u0e44\u0e14\u0e49 9087.642154 \u0e0b\u0e36\u0e48\u0e07\u0e02\u0e2d\u0e07\u0e08\u0e23\u0e34\u0e07\u0e04\u0e37\u0e2d 9095 \u0e01\u0e47\u0e1e\u0e1a\u0e27\u0e48\u0e32\u0e43\u0e01\u0e25\u0e49\u0e01\u0e31\u0e19\u0e43\u0e0a\u0e49\u0e44\u0e14\u0e49\u0e40\u0e25\u0e22<\/p>\n\n\n\n
\u0e40\u0e14\u0e35\u0e4b\u0e22\u0e27\u0e43\u0e2b\u0e49\u0e21\u0e31\u0e19\u0e25\u0e2d\u0e07\u0e17\u0e33\u0e40\u0e1b\u0e47\u0e19\u0e01\u0e23\u0e32\u0e1f\u0e14\u0e35\u0e01\u0e27\u0e48\u0e32 \u0e27\u0e48\u0e32\u0e40\u0e17\u0e35\u0e22\u0e1a\u0e01\u0e31\u0e19\u0e41\u0e25\u0e49\u0e27\u0e01\u0e31\u0e1a Actual Data \u0e41\u0e25\u0e49\u0e27 Model \u0e40\u0e23\u0e32\u0e40\u0e1b\u0e47\u0e19\u0e22\u0e31\u0e07\u0e44\u0e07<\/p>\n\n\n\n
<\/span>Plot Check<\/span><\/h3>\n\n\n\nActual vs Predict Scatter Plots<\/strong><\/p>\n\n\n\nplt.scatter(y_test, y_pred)\nplt.xlabel(\"Actual Charges\")\nplt.ylabel(\"Predicted Charges\")\nplt.title(\"Actual vs Predicted Charges\")\nplt.show()<\/code><\/pre>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/Picture13.png\")
<\/figure>\n\n\n\nResidual Plots<\/strong><\/p>\n\n\n\nresiduals = y_test - y_pred\nplt.scatter(y_pred, residuals)\nplt.hlines(y=0, xmin=y_pred.min(), xmax=y_pred.max())\nplt.xlabel(\"Predicted Charges\")\nplt.ylabel(\"Residuals\")\nplt.title(\"Predicted vs Residuals\")\nplt.show()<\/code><\/pre>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/Picture17.png\")
<\/figure>\n\n\n\n\u0e08\u0e32\u0e01\u0e01\u0e23\u0e32\u0e1f Scatter \u0e21\u0e31\u0e19\u0e14\u0e39\u0e40\u0e2b\u0e21\u0e37\u0e2d\u0e19\u0e21\u0e35\u0e40\u0e2a\u0e49\u0e19 2 \u0e41\u0e09\u0e01\u0e41\u0e22\u0e01\u0e08\u0e32\u0e01\u0e01\u0e31\u0e19 \u0e41\u0e25\u0e30\u0e08\u0e32\u0e01 Residual Plots \u0e21\u0e31\u0e19\u0e14\u0e39\u0e21\u0e35\u0e01\u0e32\u0e23\u0e41\u0e1a\u0e48\u0e07\u0e01\u0e25\u0e38\u0e48\u0e21\u0e1a\u0e32\u0e07\u0e2d\u0e22\u0e48\u0e32\u0e07\u0e40\u0e1b\u0e47\u0e19\u0e2b\u0e25\u0e32\u0e22\u0e46 \u0e01\u0e49\u0e2d\u0e19 \u0e41\u0e2a\u0e14\u0e07\u0e27\u0e48\u0e32\u0e2d\u0e32\u0e08\u0e15\u0e49\u0e2d\u0e07\u0e21\u0e35\u0e01\u0e32\u0e23\u0e17\u0e33 Feature Engineering (\u0e01\u0e32\u0e23\u0e14\u0e31\u0e14\u0e41\u0e1b\u0e25\u0e07 Features) \u0e01\u0e48\u0e2d\u0e19 \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e43\u0e2b\u0e49\u0e1c\u0e25\u0e25\u0e31\u0e1e\u0e18\u0e4c\u0e14\u0e35\u0e02\u0e36\u0e49\u0e19 <\/p>\n\n\n\n
<\/span>\u0e17\u0e33 Interaction Features \u0e40\u0e1e\u0e34\u0e48\u0e21<\/span><\/h2>\n\n\n\n\u0e14\u0e31\u0e07\u0e19\u0e31\u0e49\u0e19\u0e40\u0e23\u0e32\u0e08\u0e30\u0e25\u0e2d\u0e07\u0e17\u0e33\u0e2d\u0e30\u0e44\u0e23\u0e1a\u0e32\u0e07\u0e2d\u0e22\u0e48\u0e32\u0e07\u0e01\u0e31\u0e1a Data \u0e40\u0e0a\u0e48\u0e19 \u0e25\u0e2d\u0e07\u0e40\u0e1e\u0e34\u0e48\u0e21 Features \u0e17\u0e35\u0e48\u0e08\u0e30\u0e21\u0e35 Interaction \u0e01\u0e31\u0e19 \u0e40\u0e0a\u0e48\u0e19 \u0e16\u0e49\u0e32\u0e40\u0e23\u0e32\u0e2a\u0e07\u0e2a\u0e31\u0e22\u0e27\u0e48\u0e32 \u0e04\u0e19\u0e17\u0e35\u0e48\u0e2a\u0e39\u0e1a\u0e1a\u0e38\u0e2b\u0e23\u0e35\u0e01\u0e31\u0e1a\u0e44\u0e21\u0e48\u0e2a\u0e39\u0e1a \u0e2d\u0e32\u0e08\u0e21\u0e35\u0e1c\u0e25\u0e01\u0e31\u0e1a BMI \u0e2b\u0e23\u0e37\u0e2d \u0e2d\u0e32\u0e22\u0e38 \u0e15\u0e48\u0e32\u0e07\u0e01\u0e31\u0e19 \u0e14\u0e31\u0e07\u0e19\u0e31\u0e49\u0e19\u0e2d\u0e32\u0e08\u0e17\u0e33 interaction \u0e14\u0e39 <\/p>\n\n\n\n
\u0e42\u0e14\u0e22\u0e1c\u0e21\u0e08\u0e30\u0e40\u0e1e\u0e34\u0e48\u0e21\u0e1e\u0e27\u0e01\u0e19\u0e35\u0e49\u0e40\u0e02\u0e49\u0e32\u0e44\u0e1b\u0e23\u0e30\u0e2b\u0e27\u0e48\u0e32\u0e07 Steps 1 \u0e01\u0e31\u0e1a 2 \u0e44\u0e1b\u0e40\u0e25\u0e22<\/p>\n\n\n\n
# Create interaction between 'age' and 'bmi'\nmedical_df['age_bmi_interaction'] = medical_df['age'] * medical_df['bmi']\n\n# Create interaction between 'age' and 'sex_male'\nmedical_df['age_sex_interaction'] = medical_df['age'] * medical_df['sex_male']\n\n# Create interaction between 'age' and 'smoker'\nmedical_df['age_smoker_interaction'] = medical_df['age'] * medical_df['smoker_yes']\n\n# Create interaction between 'bmi' and 'sex_male'\nmedical_df['bmi_sex_interaction'] = medical_df['bmi'] * medical_df['sex_male']\n\n# Create interaction between 'bmi' and 'smoker'\nmedical_df['bmi_smoker_interaction'] = medical_df['bmi'] * medical_df['smoker_yes']\n\n# Create interaction between 'sex_male' and 'smoker'\nmedical_df['sex_smoker_interaction'] = medical_df['sex_male'] * medical_df['smoker_yes']<\/code><\/pre>\n\n\n\n\u0e01\u0e47\u0e08\u0e30\u0e44\u0e14\u0e49\u0e1c\u0e25\u0e27\u0e48\u0e32 \u0e04\u0e48\u0e32 R2 \u0e44\u0e14\u0e49\u0e1e\u0e2d\u0e46 \u0e01\u0e31\u0e1a\u0e2d\u0e31\u0e19\u0e40\u0e14\u0e34\u0e21\u0e40\u0e25\u0e22 \u0e2d\u0e31\u0e19\u0e19\u0e35\u0e49\u0e44\u0e14\u0e49 0.864307685<\/p>\n\n\n\n
\u0e0b\u0e36\u0e48\u0e07\u0e15\u0e23\u0e07\u0e19\u0e35\u0e49\u0e21\u0e31\u0e19\u0e2d\u0e32\u0e08\u0e02\u0e36\u0e49\u0e19\u0e2d\u0e22\u0e39\u0e48\u0e01\u0e31\u0e1a\u0e42\u0e0a\u0e04 \u0e43\u0e19\u0e01\u0e32\u0e23\u0e41\u0e1a\u0e48\u0e07 Training, Test Set \u0e01\u0e47\u0e44\u0e14\u0e49<\/p>\n\n\n\n
<\/span>\u0e17\u0e33 Cross Validation<\/span><\/h2>\n\n\n\n\u0e14\u0e31\u0e07\u0e19\u0e31\u0e49\u0e19\u0e40\u0e23\u0e32\u0e08\u0e30\u0e25\u0e2d\u0e07\u0e17\u0e33 Cross Validation \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e17\u0e14\u0e2a\u0e2d\u0e1a Training vs Test \u0e2b\u0e25\u0e32\u0e22\u0e46 \u0e41\u0e1a\u0e1a <\/p>\n\n\n\n
from sklearn.model_selection import cross_val_score\n\n# Using cross-validation to evaluate the model\ncv_scores = cross_val_score(model, X, y, cv=10, scoring='r2')\ncv_scores.mean()<\/code><\/pre>\n\n\n\n\u0e0b\u0e36\u0e48\u0e07\u0e41\u0e1a\u0e1a interaction \u0e40\u0e09\u0e25\u0e35\u0e48\u0e22 cv_scores.mean() \u0e08\u0e30\u0e44\u0e14\u0e49 0.835941331 \u0e41\u0e15\u0e48\u0e16\u0e49\u0e32\u0e01\u0e48\u0e2d\u0e19\u0e17\u0e35\u0e48\u0e40\u0e23\u0e32\u0e08\u0e30\u0e43\u0e2a\u0e48 interaction \u0e40\u0e02\u0e49\u0e32\u0e44\u0e1b \u0e04\u0e48\u0e32\u0e19\u0e35\u0e49\u0e08\u0e30\u0e44\u0e14\u0e49 0.744484494<\/p>\n\n\n\n
\u0e41\u0e1b\u0e25\u0e27\u0e48\u0e32\u0e15\u0e2d\u0e19\u0e41\u0e23\u0e01\u0e17\u0e35\u0e48\u0e44\u0e14\u0e49 r2 \u0e40\u0e22\u0e2d\u0e30 \u0e01\u0e48\u0e2d\u0e19\u0e43\u0e2a\u0e48 interaction \u0e04\u0e37\u0e2d \u0e1f\u0e25\u0e38\u0e4b\u0e04\u0e19\u0e31\u0e48\u0e19\u0e40\u0e2d\u0e07 \u0e41\u0e15\u0e48\u0e1e\u0e2d\u0e43\u0e2a\u0e48 interaction \u0e44\u0e1b \u0e04\u0e48\u0e32 r2 \u0e40\u0e22\u0e2d\u0e30\u0e02\u0e36\u0e49\u0e19\u0e08\u0e23\u0e34\u0e07<\/p>\n\n\n\n
Actual vs Predict Scatter Plots<\/strong><\/p>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/Picture15.png\")
<\/figure>\n\n\n\nResidual<\/strong><\/p>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/Picture16.png\")
<\/figure>\n\n\n\n\u0e04\u0e48\u0e32\u0e17\u0e35\u0e48\u0e44\u0e14\u0e49\u0e01\u0e23\u0e30\u0e08\u0e32\u0e22\u0e14\u0e35\u0e02\u0e36\u0e49\u0e19<\/p>\n\n\n\n
<\/span>\u0e2a\u0e21\u0e01\u0e32\u0e23\u0e17\u0e35\u0e48\u0e43\u0e0a\u0e49 Predict<\/span><\/h2>\n\n\n\n\u0e16\u0e49\u0e32\u0e2d\u0e22\u0e32\u0e01\u0e23\u0e39\u0e49\u0e27\u0e48\u0e32\u0e2a\u0e21\u0e01\u0e32\u0e23\u0e40\u0e1b\u0e47\u0e19\u0e22\u0e31\u0e07\u0e44\u0e07 \u0e2d\u0e32\u0e08\u0e25\u0e2d\u0e07\u0e43\u0e0a\u0e49 code \u0e19\u0e35\u0e49<\/p>\n\n\n\n
intercept = model.intercept_\ncoefficients = model.coef_\n\nfeature_names = X.columns.tolist()\nequation = f'y = {intercept:.2f}'\nfor coef, name in zip(coefficients, feature_names):\n equation += f' + ({coef:.2f})*{name}'\nequation<\/code><\/pre>\n\n\n\n\u0e08\u0e30\u0e44\u0e14\u0e49\u0e2a\u0e21\u0e01\u0e32\u0e23\u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49<\/p>\n\n\n\n
y = -242.19 + (208.22)age + (-50.69)<\/em>bmi + (466.98)children + (-1707.34)<\/em>sex_male + (-20908.90)smoker_yes + (719.62)<\/em>region_northeast + (87.76)region_northwest + (-272.08)<\/em>region_southeast + (-535.30)region_southwest + (1.56)<\/em>age_bmi_interaction + (14.14)age_sex_interaction + (3.12)<\/em>age_smoker_interaction + (17.01)bmi_sex_interaction + (1470.82)<\/em>bmi_smoker_interaction + (560.50)*sex_smoker_interaction<\/p>\n\n\n\n\u0e40\u0e25\u0e02\u0e2d\u0e32\u0e08\u0e14\u0e39\u0e41\u0e1b\u0e25\u0e01\u0e19\u0e34\u0e14\u0e2b\u0e19\u0e48\u0e2d\u0e22 \u0e40\u0e1e\u0e23\u0e32\u0e30\u0e21\u0e31\u0e19\u0e21\u0e35 interaction \u0e21\u0e32\u0e40\u0e01\u0e35\u0e48\u0e22\u0e27\u0e14\u0e49\u0e27\u0e22 \u0e40\u0e0a\u0e48\u0e19 smoker_yes<\/em> \u0e40\u0e25\u0e02\u0e21\u0e31\u0e19\u0e14\u0e31\u0e19\u0e15\u0e34\u0e14\u0e25\u0e1a\u0e15\u0e31\u0e49\u0e07 -20908.90 \u0e40\u0e2b\u0e21\u0e37\u0e2d\u0e19\u0e27\u0e48\u0e32\u0e2a\u0e39\u0e1a\u0e1a\u0e38\u0e2b\u0e23\u0e35\u0e48\u0e41\u0e25\u0e49\u0e27\u0e04\u0e48\u0e32\u0e40\u0e1a\u0e35\u0e49\u0e22\u0e15\u0e48\u0e33\u0e25\u0e07 \u0e41\u0e15\u0e48\u0e08\u0e23\u0e34\u0e07\u0e46 \u0e41\u0e25\u0e49\u0e27\u0e44\u0e21\u0e48\u0e43\u0e0a\u0e48 \u0e40\u0e1e\u0e23\u0e32\u0e30\u0e21\u0e31\u0e19\u0e21\u0e35 <\/p>\n\n\n\n+ (3.12)<\/em>age_smoker_interaction + (1470.82)<\/em>bmi_smoker_interaction + (560.50)*sex_smoker_interaction \u0e2d\u0e22\u0e39\u0e48\u0e2d\u0e35\u0e01 <\/p>\n\n\n\n\u0e40\u0e0a\u0e48\u0e19 \u0e2a\u0e21\u0e21\u0e15\u0e34\u0e40\u0e1b\u0e47\u0e19\u0e04\u0e19\u0e2a\u0e39\u0e1a\u0e1a\u0e38\u0e2b\u0e23\u0e35\u0e48 \u0e40\u0e1e\u0e28\u0e0a\u0e32\u0e22 \u0e2d\u0e32\u0e22\u0e38 30 \u0e41\u0e25\u0e30 bmi 22 \u0e19\u0e35\u0e48\u0e01\u0e47\u0e42\u0e14\u0e19\u0e1a\u0e27\u0e01\u0e44\u0e1b 33,012.14 \u0e41\u0e25\u0e49\u0e27\u0e40\u0e1b\u0e47\u0e19\u0e15\u0e49\u0e19 \u0e0b\u0e36\u0e48\u0e07\u0e21\u0e31\u0e19 offset \u0e01\u0e31\u0e1a -20704.90 \u0e40\u0e1b\u0e47\u0e19 + net \u0e17\u0e35\u0e48 12307.24 \u0e19\u0e31\u0e48\u0e19\u0e40\u0e2d\u0e07<\/p>\n\n\n\n
<\/span>\u0e2a\u0e23\u0e38\u0e1b\u0e2a\u0e34\u0e48\u0e07\u0e17\u0e35\u0e48\u0e44\u0e14\u0e49\u0e15\u0e2d\u0e19\u0e19\u0e35\u0e49<\/span><\/h2>\n\n\n\nCode \u0e13 \u0e15\u0e2d\u0e19\u0e19\u0e35\u0e49 (\u0e1c\u0e21\u0e44\u0e21\u0e48\u0e40\u0e2d\u0e32 Step7 \u0e41\u0e15\u0e48\u0e43\u0e2a\u0e48 Cross Validation \u0e41\u0e17\u0e19)<\/p>\n\n\n\n
from sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\n# Assuming 'medical_df' is already loaded with the data\n\n# Step 1: Preprocess Data\n# Convert categorical variables to numerical ones using one-hot encoding.\nmedical_df = pd.get_dummies(medical_df)\nmedical_df = medical_df.astype(int)\nmedical_df = medical_df.drop(['sex_female','smoker_no'],axis=1)\n\n# Create interaction between 'age' and 'bmi'\nmedical_df['age_bmi_interaction'] = medical_df['age'] * medical_df['bmi']\n\n# Create interaction between 'age' and 'sex_male'\nmedical_df['age_sex_interaction'] = medical_df['age'] * medical_df['sex_male']\n\n# Create interaction between 'age' and 'smoker'\nmedical_df['age_smoker_interaction'] = medical_df['age'] * medical_df['smoker_yes']\n\n# Create interaction between 'bmi' and 'sex_male'\nmedical_df['bmi_sex_interaction'] = medical_df['bmi'] * medical_df['sex_male']\n\n# Create interaction between 'bmi' and 'smoker'\nmedical_df['bmi_smoker_interaction'] = medical_df['bmi'] * medical_df['smoker_yes']\n\n# Create interaction between 'sex_male' and 'smoker'\nmedical_df['sex_smoker_interaction'] = medical_df['sex_male'] * medical_df['smoker_yes']\n\n# Step 2: Feature Selection\n# We will use all columns except 'charges' as features to predict 'charges'.\nX = medical_df.drop('charges', axis=1) # Features\ny = medical_df['charges'] # Target variable\n\n# Step 3: Data Splitting\n# Split the dataset into a training set and a testing set.\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\n# Step 4 & 5: Model Selection and Training\n# Create a linear regression model and train it with the training data.\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\n\n# Step 6: Model Evaluation\n# Predict charges for the testing set and evaluate the model's performance.\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nr2 = r2_score(y_test, y_pred)\n\n# The mean squared error and R-squared value give us an idea of the model's performance.\nmse, r2\n\nfrom sklearn.model_selection import cross_val_score\n\n# Using cross-validation to evaluate the model\ncv_scores = cross_val_score(model, X, y, cv=10, scoring='r2')\ncv_scores.mean()<\/code><\/pre>\n\n\n\n\u0e0b\u0e36\u0e48\u0e07\u0e44\u0e14\u0e49 cv scores mean \u0e40\u0e1b\u0e47\u0e19 0.835941331<\/p>\n\n\n\n
\u0e16\u0e49\u0e32\u0e25\u0e2d\u0e07\u0e40\u0e2d\u0e32\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e17\u0e31\u0e49\u0e07\u0e2b\u0e21\u0e14\u0e21\u0e32\u0e40\u0e17\u0e35\u0e22\u0e1a\u0e01\u0e31\u0e1a prediction \u0e41\u0e25\u0e49\u0e27\u0e17\u0e33 Visualization \u0e14\u0e39\u0e08\u0e30\u0e40\u0e1b\u0e47\u0e19\u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49<\/p>\n\n\n\n
y_pred_full = model.predict(X)\n\n# Actual vs Predicted scatter plot\nplt.figure(figsize=(10, 6))\nplt.scatter(y, y_pred_full, color='red', alpha=0.5) # 'y' should be your entire set of actual values\n\n# Perfect prediction line\nmax_value = max(max(y), max(y_pred_full))\nmin_value = min(min(y), min(y_pred_full))\nplt.plot([min_value, max_value], [min_value, max_value], color='green', linestyle='--', label='Perfect Fit')\n\nplt.xlabel('Actual Charges')\nplt.ylabel('Predicted Charges')\nplt.title('Actual vs Predicted Charges for the Full Dataset')\nplt.legend()\nplt.show()<\/code><\/pre>\n\n\n\n![\"\"](\"https:\/\/www.thepexcel.com\/wp-content\/uploads\/2024\/04\/Picture20.png\")
<\/figure>\n\n\n\n\u0e41\u0e25\u0e49\u0e27\u0e1c\u0e21\u0e01\u0e47\u0e2a\u0e48\u0e07\u0e44\u0e1b\u0e43\u0e2b\u0e49 AI \u0e0a\u0e48\u0e27\u0e22\u0e14\u0e39 \u0e21\u0e31\u0e19\u0e41\u0e19\u0e30\u0e19\u0e33\u0e41\u0e1a\u0e1a\u0e19\u0e35\u0e49<\/p>\n\n\n\n
\u0e02\u0e49\u0e2d\u0e2a\u0e31\u0e07\u0e40\u0e01\u0e15\u0e41\u0e25\u0e30\u0e04\u0e33\u0e41\u0e19\u0e30\u0e19\u0e33\u0e08\u0e32\u0e01 ChatGPT \u0e19\u0e31\u0e49\u0e19\u0e21\u0e35\u0e04\u0e27\u0e32\u0e21\u0e2a\u0e21\u0e40\u0e2b\u0e15\u0e38\u0e2a\u0e21\u0e1c\u0e25\u0e41\u0e25\u0e30\u0e40\u0e1b\u0e47\u0e19\u0e1b\u0e23\u0e30\u0e42\u0e22\u0e0a\u0e19\u0e4c\u0e21\u0e32\u0e01\u0e04\u0e23\u0e31\u0e1a \u0e1c\u0e21\u0e02\u0e2d\u0e2a\u0e23\u0e38\u0e1b\u0e1b\u0e23\u0e30\u0e40\u0e14\u0e47\u0e19\u0e2b\u0e25\u0e31\u0e01\u0e46 \u0e14\u0e31\u0e07\u0e19\u0e35\u0e49<\/p>\n\n\n\n
\n- \u0e42\u0e14\u0e22\u0e20\u0e32\u0e1e\u0e23\u0e27\u0e21\u0e41\u0e25\u0e49\u0e27 \u0e42\u0e21\u0e40\u0e14\u0e25\u0e02\u0e2d\u0e07\u0e40\u0e23\u0e32\u0e17\u0e33\u0e19\u0e32\u0e22\u0e44\u0e14\u0e49\u0e43\u0e01\u0e25\u0e49\u0e40\u0e04\u0e35\u0e22\u0e07\u0e01\u0e31\u0e1a\u0e04\u0e48\u0e32\u0e08\u0e23\u0e34\u0e07\u0e1e\u0e2d\u0e2a\u0e21\u0e04\u0e27\u0e23 \u0e40\u0e2b\u0e47\u0e19\u0e44\u0e14\u0e49\u0e08\u0e32\u0e01\u0e08\u0e38\u0e14\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e08\u0e33\u0e19\u0e27\u0e19\u0e21\u0e32\u0e01\u0e17\u0e35\u0e48\u0e2d\u0e22\u0e39\u0e48\u0e43\u0e01\u0e25\u0e49\u0e01\u0e31\u0e1a\u0e40\u0e2a\u0e49\u0e19\u0e2a\u0e35\u0e40\u0e02\u0e35\u0e22\u0e27 (Perfect Fit) \u0e0b\u0e36\u0e48\u0e07\u0e40\u0e1b\u0e47\u0e19\u0e2a\u0e31\u0e0d\u0e0d\u0e32\u0e13\u0e17\u0e35\u0e48\u0e14\u0e35 \u0e41\u0e2a\u0e14\u0e07\u0e27\u0e48\u0e32\u0e42\u0e21\u0e40\u0e14\u0e25\u0e21\u0e35\u0e04\u0e27\u0e32\u0e21\u0e41\u0e21\u0e48\u0e19\u0e22\u0e33\u0e43\u0e19\u0e23\u0e30\u0e14\u0e31\u0e1a\u0e19\u0e36\u0e07\u0e41\u0e25\u0e49\u0e27<\/li>\n\n\n\n
- \u0e2d\u0e22\u0e48\u0e32\u0e07\u0e44\u0e23\u0e01\u0e47\u0e15\u0e32\u0e21 \u0e22\u0e31\u0e07\u0e21\u0e35\u0e23\u0e39\u0e1b\u0e41\u0e1a\u0e1a\u0e04\u0e27\u0e32\u0e21\u0e04\u0e25\u0e32\u0e14\u0e40\u0e04\u0e25\u0e37\u0e48\u0e2d\u0e19\u0e17\u0e35\u0e48\u0e40\u0e2b\u0e47\u0e19\u0e44\u0e14\u0e49\u0e0a\u0e31\u0e14\u0e04\u0e37\u0e2d \u0e42\u0e21\u0e40\u0e14\u0e25\u0e21\u0e35\u0e41\u0e19\u0e27\u0e42\u0e19\u0e49\u0e21\u0e08\u0e30\u0e1b\u0e23\u0e30\u0e40\u0e21\u0e34\u0e19\u0e04\u0e48\u0e32\u0e15\u0e48\u0e33\u0e44\u0e1b\u0e2a\u0e33\u0e2b\u0e23\u0e31\u0e1a\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e17\u0e35\u0e48\u0e21\u0e35\u0e04\u0e48\u0e32\u0e08\u0e23\u0e34\u0e07\u0e2a\u0e39\u0e07\u0e46 (Underpredict) \u0e41\u0e25\u0e30\u0e08\u0e30\u0e1b\u0e23\u0e30\u0e40\u0e21\u0e34\u0e19\u0e04\u0e48\u0e32\u0e2a\u0e39\u0e07\u0e40\u0e01\u0e34\u0e19\u0e44\u0e1b\u0e2a\u0e33\u0e2b\u0e23\u0e31\u0e1a\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e17\u0e35\u0e48\u0e21\u0e35\u0e04\u0e48\u0e32\u0e08\u0e23\u0e34\u0e07\u0e15\u0e48\u0e33\u0e46 (Overpredict) \u0e0b\u0e36\u0e48\u0e07\u0e40\u0e2b\u0e47\u0e19\u0e44\u0e14\u0e49\u0e08\u0e32\u0e01\u0e08\u0e38\u0e14\u0e17\u0e35\u0e48\u0e2b\u0e48\u0e32\u0e07\u0e2d\u0e2d\u0e01\u0e08\u0e32\u0e01\u0e40\u0e2a\u0e49\u0e19 Perfect Fit \u0e04\u0e48\u0e2d\u0e19\u0e02\u0e49\u0e32\u0e07\u0e21\u0e32\u0e01<\/li>\n\n\n\n
- \u0e04\u0e27\u0e32\u0e21\u0e41\u0e1b\u0e23\u0e1b\u0e23\u0e27\u0e19\u0e02\u0e2d\u0e07\u0e04\u0e48\u0e32\u0e04\u0e27\u0e32\u0e21\u0e04\u0e25\u0e32\u0e14\u0e40\u0e04\u0e25\u0e37\u0e48\u0e2d\u0e19 (Residuals) \u0e14\u0e39\u0e40\u0e2b\u0e21\u0e37\u0e2d\u0e19\u0e08\u0e30\u0e40\u0e1e\u0e34\u0e48\u0e21\u0e02\u0e36\u0e49\u0e19\u0e15\u0e32\u0e21\u0e02\u0e19\u0e32\u0e14\u0e02\u0e2d\u0e07 Charge \u0e0b\u0e36\u0e48\u0e07\u0e2d\u0e32\u0e08\u0e40\u0e1b\u0e47\u0e19\u0e2a\u0e31\u0e0d\u0e0d\u0e32\u0e13\u0e02\u0e2d\u0e07\u0e1b\u0e31\u0e0d\u0e2b\u0e32 Heteroscedasticity \u0e04\u0e37\u0e2d\u0e04\u0e27\u0e32\u0e21\u0e41\u0e1b\u0e23\u0e1b\u0e23\u0e27\u0e19\u0e44\u0e21\u0e48\u0e04\u0e07\u0e17\u0e35\u0e48\u0e15\u0e25\u0e2d\u0e14\u0e0a\u0e48\u0e27\u0e07\u0e02\u0e2d\u0e07\u0e15\u0e31\u0e27\u0e41\u0e1b\u0e23\u0e15\u0e49\u0e19<\/li>\n<\/ol>\n\n\n\n
\u0e14\u0e49\u0e27\u0e22\u0e40\u0e2b\u0e15\u0e38\u0e19\u0e35\u0e49 \u0e08\u0e36\u0e07\u0e21\u0e35\u0e41\u0e19\u0e27\u0e17\u0e32\u0e07\u0e43\u0e19\u0e01\u0e32\u0e23\u0e1b\u0e23\u0e31\u0e1a\u0e1b\u0e23\u0e38\u0e07\u0e42\u0e21\u0e40\u0e14\u0e25\u0e2b\u0e25\u0e32\u0e22\u0e2d\u0e22\u0e48\u0e32\u0e07 \u0e40\u0e0a\u0e48\u0e19<\/p>\n\n\n\n
\n- \u0e1e\u0e34\u0e08\u0e32\u0e23\u0e13\u0e32\u0e40\u0e1e\u0e34\u0e48\u0e21\u0e04\u0e27\u0e32\u0e21\u0e0b\u0e31\u0e1a\u0e0b\u0e49\u0e2d\u0e19\u0e43\u0e2b\u0e49\u0e01\u0e31\u0e1a\u0e42\u0e21\u0e40\u0e14\u0e25\u0e43\u0e2b\u0e49\u0e21\u0e32\u0e01\u0e02\u0e36\u0e49\u0e19 \u0e40\u0e0a\u0e48\u0e19 \u0e43\u0e0a\u0e49\u0e42\u0e21\u0e40\u0e14\u0e25 Non-linear \u0e2b\u0e23\u0e37\u0e2d\u0e40\u0e1e\u0e34\u0e48\u0e21 Interaction Term \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e08\u0e31\u0e1a\u0e04\u0e27\u0e32\u0e21\u0e2a\u0e31\u0e21\u0e1e\u0e31\u0e19\u0e18\u0e4c\u0e17\u0e35\u0e48\u0e44\u0e21\u0e48\u0e43\u0e0a\u0e48\u0e40\u0e0a\u0e34\u0e07\u0e40\u0e2a\u0e49\u0e19\u0e15\u0e23\u0e07\u0e23\u0e30\u0e2b\u0e27\u0e48\u0e32\u0e07 Features \u0e15\u0e48\u0e32\u0e07\u0e46<\/li>\n\n\n\n
- \u0e25\u0e2d\u0e07\u0e17\u0e33 Transformation \u0e01\u0e31\u0e1a\u0e15\u0e31\u0e27\u0e41\u0e1b\u0e23\u0e15\u0e32\u0e21 (Target) \u0e40\u0e0a\u0e48\u0e19 \u0e43\u0e0a\u0e49 Log \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e25\u0e14\u0e04\u0e27\u0e32\u0e21\u0e40\u0e1a\u0e49\u0e41\u0e25\u0e30\u0e0a\u0e48\u0e27\u0e22\u0e01\u0e23\u0e30\u0e08\u0e32\u0e22\u0e04\u0e27\u0e32\u0e21\u0e41\u0e1b\u0e23\u0e1b\u0e23\u0e27\u0e19\u0e43\u0e2b\u0e49\u0e2a\u0e21\u0e48\u0e33\u0e40\u0e2a\u0e21\u0e2d\u0e21\u0e32\u0e01\u0e02\u0e36\u0e49\u0e19<\/li>\n\n\n\n
- \u0e17\u0e1a\u0e17\u0e27\u0e19 Features \u0e17\u0e35\u0e48\u0e43\u0e0a\u0e49\u0e2d\u0e35\u0e01\u0e04\u0e23\u0e31\u0e49\u0e07 \u0e2d\u0e32\u0e08\u0e08\u0e30\u0e21\u0e35\u0e04\u0e27\u0e32\u0e21\u0e2a\u0e31\u0e21\u0e1e\u0e31\u0e19\u0e18\u0e4c\u0e41\u0e1a\u0e1a Non-linear \u0e2b\u0e23\u0e37\u0e2d\u0e21\u0e35 Interaction \u0e23\u0e30\u0e2b\u0e27\u0e48\u0e32\u0e07\u0e01\u0e31\u0e19\u0e17\u0e35\u0e48\u0e22\u0e31\u0e07\u0e44\u0e21\u0e48\u0e44\u0e14\u0e49\u0e19\u0e33\u0e21\u0e32\u0e43\u0e0a\u0e49<\/li>\n\n\n\n
- \u0e15\u0e23\u0e27\u0e08\u0e2a\u0e2d\u0e1a Outliers \u0e17\u0e35\u0e48\u0e2d\u0e32\u0e08\u0e2a\u0e48\u0e07\u0e1c\u0e25\u0e01\u0e23\u0e30\u0e17\u0e1a\u0e2d\u0e22\u0e48\u0e32\u0e07\u0e21\u0e32\u0e01\u0e15\u0e48\u0e2d\u0e42\u0e21\u0e40\u0e14\u0e25 \u0e42\u0e14\u0e22\u0e40\u0e09\u0e1e\u0e32\u0e30\u0e08\u0e38\u0e14\u0e17\u0e35\u0e48\u0e17\u0e33\u0e43\u0e2b\u0e49\u0e40\u0e01\u0e34\u0e14 Under\/Over predict<\/li>\n\n\n\n
- \u0e2a\u0e23\u0e49\u0e32\u0e07 Diagnostic Plots \u0e40\u0e1e\u0e34\u0e48\u0e21\u0e40\u0e15\u0e34\u0e21 \u0e40\u0e0a\u0e48\u0e19 Residual Plot, QQ-Plot \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e27\u0e34\u0e40\u0e04\u0e23\u0e32\u0e30\u0e2b\u0e4c\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e43\u0e2b\u0e49\u0e25\u0e36\u0e01\u0e02\u0e36\u0e49\u0e19<\/li>\n\n\n\n
- \u0e17\u0e33 Cross-Validation \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e22\u0e37\u0e19\u0e22\u0e31\u0e19\u0e27\u0e48\u0e32\u0e1b\u0e23\u0e30\u0e2a\u0e34\u0e17\u0e18\u0e34\u0e20\u0e32\u0e1e\u0e02\u0e2d\u0e07\u0e42\u0e21\u0e40\u0e14\u0e25\u0e22\u0e31\u0e07\u0e04\u0e07\u0e40\u0e14\u0e34\u0e21\u0e43\u0e19\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e2b\u0e25\u0e32\u0e22\u0e46 \u0e0a\u0e38\u0e14 \u0e44\u0e21\u0e48\u0e43\u0e0a\u0e48\u0e41\u0e04\u0e48 Overfit \u0e01\u0e31\u0e1a Training Set \u0e0a\u0e38\u0e14\u0e40\u0e14\u0e35\u0e22\u0e27<\/li>\n<\/ul>\n\n\n\n
\u0e2a\u0e38\u0e14\u0e17\u0e49\u0e32\u0e22\u0e19\u0e35\u0e49 \u0e1c\u0e21\u0e40\u0e2b\u0e47\u0e19\u0e14\u0e49\u0e27\u0e22\u0e27\u0e48\u0e32\u0e01\u0e32\u0e23\u0e2a\u0e31\u0e07\u0e40\u0e01\u0e15\u0e41\u0e25\u0e30\u0e27\u0e34\u0e40\u0e04\u0e23\u0e32\u0e30\u0e2b\u0e4c\u0e08\u0e32\u0e01\u0e01\u0e23\u0e32\u0e1f\u0e19\u0e35\u0e49\u0e40\u0e1b\u0e47\u0e19\u0e08\u0e38\u0e14\u0e40\u0e23\u0e34\u0e48\u0e21\u0e15\u0e49\u0e19\u0e17\u0e35\u0e48\u0e14\u0e35\u0e43\u0e19\u0e01\u0e32\u0e23\u0e1b\u0e23\u0e31\u0e1a\u0e1b\u0e23\u0e38\u0e07\u0e42\u0e21\u0e40\u0e14\u0e25\u0e15\u0e48\u0e2d\u0e44\u0e1b \u0e42\u0e14\u0e22\u0e40\u0e23\u0e32\u0e2a\u0e32\u0e21\u0e32\u0e23\u0e16\u0e25\u0e2d\u0e07\u0e1b\u0e23\u0e31\u0e1a\u0e40\u0e1b\u0e25\u0e35\u0e48\u0e22\u0e19\u0e15\u0e32\u0e21\u0e02\u0e49\u0e2d\u0e40\u0e2a\u0e19\u0e2d\u0e41\u0e19\u0e30\u0e02\u0e49\u0e32\u0e07\u0e15\u0e49\u0e19\u0e17\u0e35\u0e25\u0e30\u0e08\u0e38\u0e14 \u0e41\u0e25\u0e49\u0e27\u0e01\u0e25\u0e31\u0e1a\u0e21\u0e32\u0e1b\u0e23\u0e30\u0e40\u0e21\u0e34\u0e19\u0e1c\u0e25\u0e2d\u0e35\u0e01\u0e04\u0e23\u0e31\u0e49\u0e07 \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e40\u0e17\u0e35\u0e22\u0e1a\u0e27\u0e48\u0e32\u0e01\u0e32\u0e23\u0e40\u0e1b\u0e25\u0e35\u0e48\u0e22\u0e19\u0e41\u0e1b\u0e25\u0e07\u0e19\u0e31\u0e49\u0e19\u0e0a\u0e48\u0e27\u0e22\u0e1e\u0e31\u0e12\u0e19\u0e32\u0e42\u0e21\u0e40\u0e14\u0e25\u0e44\u0e14\u0e49\u0e08\u0e23\u0e34\u0e07\u0e2b\u0e23\u0e37\u0e2d\u0e44\u0e21\u0e48<\/p>\n\n\n\n
\u0e01\u0e32\u0e23\u0e17\u0e33 Machine Learning \u0e40\u0e1b\u0e47\u0e19\u0e01\u0e23\u0e30\u0e1a\u0e27\u0e19\u0e01\u0e32\u0e23\u0e17\u0e35\u0e48\u0e15\u0e49\u0e2d\u0e07\u0e2d\u0e32\u0e28\u0e31\u0e22\u0e01\u0e32\u0e23\u0e17\u0e14\u0e25\u0e2d\u0e07\u0e41\u0e25\u0e30\u0e1b\u0e23\u0e31\u0e1a\u0e1b\u0e23\u0e38\u0e07\u0e44\u0e1b\u0e40\u0e23\u0e37\u0e48\u0e2d\u0e22\u0e46 \u0e08\u0e19\u0e01\u0e27\u0e48\u0e32\u0e08\u0e30\u0e44\u0e14\u0e49\u0e42\u0e21\u0e40\u0e14\u0e25\u0e17\u0e35\u0e48\u0e21\u0e35\u0e1b\u0e23\u0e30\u0e2a\u0e34\u0e17\u0e18\u0e34\u0e20\u0e32\u0e1e\u0e2a\u0e39\u0e07\u0e2a\u0e38\u0e14\u0e04\u0e23\u0e31\u0e1a<\/p>\n\n\n\n
<\/span>\u0e2a\u0e23\u0e38\u0e1b<\/span><\/h2>\n\n\n\n\u0e2a\u0e38\u0e14\u0e17\u0e49\u0e32\u0e22\u0e19\u0e35\u0e49\u0e02\u0e2d\u0e2a\u0e23\u0e38\u0e1b\u0e27\u0e48\u0e32\u0e01\u0e32\u0e23\u0e17\u0e33 Machine Learning \u0e1a\u0e19 Excel \u0e42\u0e14\u0e22\u0e43\u0e0a\u0e49 Python \u0e19\u0e31\u0e49\u0e19\u0e04\u0e48\u0e2d\u0e19\u0e02\u0e49\u0e32\u0e07\u0e17\u0e33\u0e44\u0e14\u0e49\u0e07\u0e48\u0e32\u0e22\u0e41\u0e25\u0e30\u0e40\u0e23\u0e47\u0e27 \u0e41\u0e16\u0e21\u0e22\u0e31\u0e07\u0e43\u0e0a\u0e49\u0e1b\u0e23\u0e30\u0e42\u0e22\u0e0a\u0e19\u0e4c\u0e08\u0e32\u0e01\u0e04\u0e27\u0e32\u0e21\u0e40\u0e01\u0e48\u0e07\u0e02\u0e2d\u0e07 AI \u0e21\u0e32\u0e0a\u0e48\u0e27\u0e22\u0e43\u0e19\u0e01\u0e32\u0e23\u0e40\u0e02\u0e35\u0e22\u0e19\u0e42\u0e04\u0e49\u0e14\u0e2d\u0e35\u0e01\u0e14\u0e49\u0e27\u0e22<\/p>\n\n\n\n
\u0e44\u0e21\u0e48\u0e08\u0e33\u0e40\u0e1b\u0e47\u0e19\u0e15\u0e49\u0e2d\u0e07\u0e23\u0e39\u0e49\u0e25\u0e36\u0e01\u0e21\u0e32\u0e01\u0e01\u0e47\u0e2a\u0e32\u0e21\u0e32\u0e23\u0e16\u0e40\u0e23\u0e34\u0e48\u0e21\u0e40\u0e25\u0e48\u0e19 ML \u0e44\u0e14\u0e49\u0e41\u0e25\u0e49\u0e27 \u0e41\u0e25\u0e30\u0e2a\u0e32\u0e21\u0e32\u0e23\u0e16\u0e04\u0e48\u0e2d\u0e22\u0e46 \u0e1b\u0e23\u0e31\u0e1a\u0e1b\u0e23\u0e38\u0e07\u0e42\u0e21\u0e40\u0e14\u0e25\u0e44\u0e1b\u0e44\u0e14\u0e49\u0e40\u0e23\u0e37\u0e48\u0e2d\u0e22\u0e46<\/p>\n\n\n\n
\u0e2b\u0e27\u0e31\u0e07\u0e27\u0e48\u0e32\u0e1a\u0e17\u0e04\u0e27\u0e32\u0e21\u0e19\u0e35\u0e49\u0e08\u0e30\u0e40\u0e1b\u0e47\u0e19\u0e1b\u0e23\u0e30\u0e42\u0e22\u0e0a\u0e19\u0e4c\u0e2a\u0e33\u0e2b\u0e23\u0e31\u0e1a\u0e01\u0e32\u0e23\u0e40\u0e23\u0e34\u0e48\u0e21\u0e15\u0e49\u0e19\u0e40\u0e23\u0e35\u0e22\u0e19\u0e23\u0e39\u0e49 Machine Learning \u0e1a\u0e19 Excel \u0e14\u0e49\u0e27\u0e22 Python \u0e19\u0e30\u0e04\u0e23\u0e31\u0e1a \u0e41\u0e25\u0e49\u0e27\u0e40\u0e08\u0e2d\u0e01\u0e31\u0e19\u0e43\u0e2b\u0e21\u0e48\u0e43\u0e19\u0e15\u0e2d\u0e19\u0e15\u0e48\u0e2d\u0e44\u0e1b \u0e0b\u0e36\u0e48\u0e07\u0e40\u0e23\u0e32\u0e08\u0e30\u0e21\u0e32\u0e14\u0e39\u0e01\u0e32\u0e23\u0e17\u0e33\u0e19\u0e32\u0e22\u0e41\u0e1a\u0e1a\u0e2d\u0e37\u0e48\u0e19 \u0e40\u0e0a\u0e48\u0e19 \u0e41\u0e19\u0e27\u0e15\u0e2d\u0e1a\u0e40\u0e1b\u0e47\u0e19 yes,no \u0e1a\u0e49\u0e32\u0e07\u0e04\u0e23\u0e31\u0e1a<\/p>\n","protected":false},"excerpt":{"rendered":"
\u0e2a\u0e27\u0e31\u0e2a\u0e14\u0e35\u0e04\u0e23\u0e31\u0e1a \u0e2a\u0e33\u0e2b\u0e23\u0e31\u0e1a\u0e1a\u0e17\u0e04\u0e27\u0e32\u0e21\u0e19\u0e35\u0e49 \u0e1c\u0e21\u0e08\u0e30\u0e1e\u0e32\u0e17\u0e38\u0e01\u0e17\u0e48\u0e32\u0e19\u0e21\u0e32\u0e40\u0e23\u0e35\u0e22\u0e19\u0e23\u0e39\u0e49\u0e01\u0e32\u0e23\u0e1b\u0e23\u0e30\u0e22\u0e38\u0e01\u0e15\u0e4c\u0e43\u0e0a\u0e49 Python \u0e43\u0e19 Excel \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e17\u0e33 Machine Learning \u0e01\u0e31\u0e19 \u0e16\u0e37\u0e2d\u0e40\u0e1b\u0e47\u0e19\u0e01\u0e32\u0e23\u0e1c\u0e2a\u0e21\u0e1c\u0e2a\u0e32\u0e19\u0e23\u0e30\u0e2b\u0e27\u0e48\u0e32\u0e07 Spreadsheet \u0e17\u0e35\u0e48\u0e40\u0e23\u0e32\u0e04\u0e38\u0e49\u0e19\u0e40\u0e04\u0e22 \u0e40\u0e02\u0e49\u0e32\u0e01\u0e31\u0e1a Python \u0e17\u0e35\u0e48\u0e40\u0e1b\u0e47\u0e19\u0e20\u0e32\u0e29\u0e32\u0e22\u0e2d\u0e14\u0e19\u0e34\u0e22\u0e21\u0e2a\u0e33\u0e2b\u0e23\u0e31\u0e1a\u0e01\u0e32\u0e23\u0e27\u0e34\u0e40\u0e04\u0e23\u0e32\u0e30\u0e2b\u0e4c\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25 \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e43\u0e2b\u0e49\u0e2a\u0e32\u0e21\u0e32\u0e23\u0e16\u0e17\u0e33 Data Science \u0e44\u0e14\u0e49\u0e2d\u0e22\u0e48\u0e32\u0e07\u0e07\u0e48\u0e32\u0e22\u0e14\u0e32\u0e22…<\/p>\n","protected":false},"author":1,"featured_media":26495,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1449],"tags":[414,415,700,735,847,1444],"class_list":["post-26430","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-python-in-excel","tag-max","tag-min","tag-python","tag-ai","tag-chatgpt","tag-excel-python"],"_links":{"self":[{"href":"https:\/\/www.thepexcel.com\/wp-json\/wp\/v2\/posts\/26430","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.thepexcel.com\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.thepexcel.com\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.thepexcel.com\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.thepexcel.com\/wp-json\/wp\/v2\/comments?post=26430"}],"version-history":[{"count":37,"href":"https:\/\/www.thepexcel.com\/wp-json\/wp\/v2\/posts\/26430\/revisions"}],"predecessor-version":[{"id":26685,"href":"https:\/\/www.thepexcel.com\/wp-json\/wp\/v2\/posts\/26430\/revisions\/26685"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.thepexcel.com\/wp-json\/wp\/v2\/media\/26495"}],"wp:attachment":[{"href":"https:\/\/www.thepexcel.com\/wp-json\/wp\/v2\/media?parent=26430"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.thepexcel.com\/wp-json\/wp\/v2\/categories?post=26430"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.thepexcel.com\/wp-json\/wp\/v2\/tags?post=26430"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}