Публикации по теме 'linear-regression'


Линейная регрессия без итерации (математическая интуиция)
Давайте разберемся с формулировкой проблемы, прежде чем углубляться в фактическую концепцию. Каждой задаче регрессии присваиваются значения X и Y, и после обучения с использованием определенного алгоритма она предсказывает Y(i) на основе X(i). Например, предположим, что X = [1,2,3,4] и Y = [1,2,3,4]. Таким образом, Y совпадает с X. Если X(i) равно 5, то Y(i ) равно 5. Чтобы установить обобщенную формулу для приведенного выше примера, давайте рассмотрим уравнение прямой как Y = mX + c (..
Квинтэссенция руководства по линейной регрессии в Python
Если вы имели дело со статистикой или наукой о данных, линейная регрессия сродни вашему 101 уроку. Вам будет трудно найти задачу по кодированию или викторину по науке о данных, которая не требует знания ее принципов, приложений и методов оценки. Из статистики мы узнали, что это родом из 19 века, когда сэр Фрэнсис Гальтон изучал взаимосвязь между ростом родителей и их потомков. Перенесемся на столетие или два вперед, и это все еще краеугольный камень в современной науке о данных,..
Машинное обучение для начинающих: 2) Множественная линейная регрессия в Python
Регрессионная модель  – это статистическая модель, которая оценивает взаимосвязь между одной зависимой переменной и одной или несколькими независимыми переменными с помощью линии (или плоскости в случае двух или более независимых переменных). Множественная линейная регрессия (MLR) , также известная как множественная регрессия, представляет собой статистический метод, использующий несколько независимых переменных для прогнозирования результата переменной ответа. Множественная регрессия —..
Делать прогнозы, используя очень маленький набор данных
Регрессия используется для прогнозирования целевой переменной с использованием переменных входных признаков. Прогнозирование временных рядов используется для прогнозирования целевых и/или входных переменных признаков в течение определенного периода времени. Приведенную выше регрессионную модель наилучшего соответствия можно использовать для проверки того, что такая же связь существует между прогнозируемыми входными объектами и прогнозируемой целевой переменной. В этом посте описан другой..
Метрики науки о данных в классификации
Выбор лучших метрик для решения вашей проблемы — немного сложная задача, но если у вас есть хорошее представление обо всех метриках, вы можете легко определить, какая метрика лучше всего подходит для вашей модели машинного обучения. Итак, давайте начнем. В этой статье мы обсудим лучшие показатели, которые можно использовать в вашей задаче классификации. Прежде чем перейти к типам, давайте сначала обсудим, зачем нам нужно использовать метрики. Здесь тип проблемы —..
Регуляризация в машинном обучении
Важный метод, чтобы избежать переобучения Введение Разработка модели машинного обучения — это не волшебство, когда вы щелкаете пальцами и « БУМ!» , модель появляется автоматически. На самом деле, люди часто думают, что искусственный интеллект (ИИ) так же умен, как человек. Тем не менее, я хотел бы вставить это восприятие, используя логику из речи, которую я прочитал в сообщении, но я не помню, кто разместил его, говоря, среди прочего, что « компьютер является более быстрым тупее..
Парадокс линейности
Является ли логистическая регрессия действительно линейной моделью? Введение Логистическая регрессия – это широко используемый метод статистического моделирования в различных областях , включая машинное обучение , социальные науки и здравоохранение. Его часто считают основным инструментом для решения задач бинарной классификации . Несмотря на свою популярность, существует интригующий вопрос, связанный с логистической регрессией — парадокс линейности . На первый взгляд..