Понять квантильную регрессию Для задач прогнозирования регрессии не всегда, когда мы преследуем только абсолютно точный прогноз, и на самом деле наш прогноз всегда неточен, поэтому вместо поиска абсолютной точности иногда требуется интервал прогнозирования, и в таких случаях нам нужен квантиль. регрессия - то, что мы прогнозируем интервальную оценку нашей цели. Функция потерь К счастью, мощный lightGBM сделал возможным квантильное предсказание, и основное отличие квантильной..

Преимущества, недостатки и основные подводные камни Итак, вы обучили модель, что теперь? Или вы обучили несколько моделей; как решить, какой из них лучше? Хорошо, давай спросим у Google. Хм, Google предлагает множество показателей, которые можно использовать для оценки вашей модели (моделей). Но теперь это становится мета-проблемой: какую метрику следует использовать, чтобы определить, какую модель использовать? Итак, вот список некоторых распространенных показателей с указанием их..

Понять интуицию, лежащую в основе случайной регрессии леса, и реализовать ее на Python. Предоставляются исходный код и набор данных. Что такое регрессия случайного леса? Алгоритм случайного леса - один из моих любимых. Его можно использовать как для классификации, так и для регрессии. Проще говоря, случайный лес собирает прогнозы из различных деревьев решений и выдает среднее значение этих прогнозов. Таким образом, есть шанс, что прогнозы действительно сойдутся с истинным..

Допустим, у нас есть данные, созданные функцией y = 2x + 1. var data = [1, 3, 5, 7, 9]; Хотя мы знаем функцию, которая сгенерировала данные, это не всегда так. Там будут некоторые данные, и мы захотим узнать, какой процесс за них отвечает. Мы хотим изучить функцию true , которая лежит в основе данных (в данном случае 2x + 1). Один из подходов к этому называется одномерная линейная регрессия градиентным спуском . Название звучит пугающе, но на самом деле это просто означает..