Публикации по теме 'linear-regression'
Линейная регрессия с использованием градиентного спуска с нуля
Лучшая часть этого блога заключается в том, что вы можете использовать эту реализацию как для простой, так и для множественной линейной регрессии с использованием градиентного спуска, просто изменив свои входные данные с одиночной на множественную переменную.
Первое, что вам нужно знать о линейной регрессии:
Алгоритм :
Подготовьте данные в виде (x_train, x_test, y_train, y_test) Структура гипотезы (линейное представление) y = theta0 + (theta1 * x) Определите функцию стоимости:..
Все вкратце о линейной регрессии
Что вы думаете, когда кто-то спрашивает вас о линейной регрессии? Вы когда-нибудь думали об этом? Пытались обрамлять свои ответы в той ситуации или ломали голову?
Что ж, это слишком сложно, потому что кто-то задает вам только один вопрос, и вы получаете в голову внешние странные вопросы, потому что вы слишком запутались, чтобы сформулировать ответы на этот вопрос.
Итак, давайте посмотрим, что такое линейная регрессия, простыми словами и понятным образом, чтобы в следующий раз, если..
Пример использования машинного обучения — Часть 2
В Сценарии использования машинного обучения — Часть 1 мы установили потребность в примере машинного обучения с примерами. В этой части давайте посмотрим, как реализовать вариант использования на платформе Databricks.
Каков вариант использования:
У нас есть более 50 000 записей о ценах на бриллианты, а также такие характеристики, как карат, огранка, цвет и т. д. У нас также есть ярлыки — цена за этот набор данных Мы обучим модель, чтобы получить хороший R², и развернем эту модель...
Линейная регрессия
Линейная регрессия — это модель регрессии для поиска линейной функции или модели, которая выражает взаимосвязь между зависимыми и независимыми переменными. Моделирование в регрессии означает отображение различных концепций с использованием математических функций.
Как мы видим на Рисунке 1, уравнение линейной регрессии содержит одну независимую переменную, одну константу и коэффициент (также известный как вес), и мы пытаемся предсказать зависимую переменную.
В уравнении линейной..
Линейная регрессия и подгонка линии к данным
Линейная регрессия — это контролируемый алгоритм машинного обучения, который прогнозирует непрерывные выходные значения. В линейной регрессии мы обычно выполняем три шага, чтобы предсказать результат.
1. Используйте метод наименьших квадратов, чтобы подогнать линию к данным
2. Вычислить R-квадрат
3. Рассчитать p-значение
Подгонка строки к данным
В данных может быть много линий, которые можно подогнать, но мы должны рассматривать только ту, которая имеет очень меньшую..
Модель линейной регрессии с Python
Практические руководства
Модель линейной регрессии с Python
Как вы можете построить и проверить качество вашей регрессионной модели с помощью графических и числовых выходных данных
Регрессионные модели - это широко используемые инструменты машинного обучения, позволяющие делать прогнозы на основе данных, изучая взаимосвязь между функциями и непрерывными результатами. Проверка допущений модели и понимание их соответствия так же важна, как и проверка точности и достоверности..
Линейная регрессия с нуля
В этом уроке вы узнаете две вещи:
Реализовать линейную регрессию с нуля Используйте модель для прогнозирования цен на подержанные автомобили.
Интуиция
Основная идея линейной регрессии состоит в том, чтобы найти «лучшую» линию (с одним параметром), плоскость (с двумя параметрами) или гиперплоскость (с более чем двумя параметрами).
Вот пример подогнанной строки:
Как линейная регрессия делает прогноз?
Линейная регрессия использует веса и параметры для прогнозирования...
