В этой статье описывается код, который я создал для запуска, т. е. подбора уникальной индивидуальной регрессионной модели для каждого из 260 000 различных наборов данных с использованием одной функции в R для каждого из нескольких различных стандартных алгоритмов оптимального выбора переменных в машинном обучении. Важно отметить, что каждый из этих наборов данных имеет одинаковую размерность, а именно 501 строку (с учетом заголовков) и 31 столбец (1-й столбец — Y, за которым следуют 30..

Часть 1 из серии статей о моделях машинного / глубокого обучения на практике Большой! Итак, вы завершили конвейер машинного обучения (ML), надеюсь, выбрали параметры настройки для каждой модели с помощью процедуры тщательной проверки и сошлись на том, что, по вашему мнению, является окончательной моделью для каждой стратегии. Что дальше? В первой части этой серии я расскажу о некоторых показателях и графиках за пределами области под кривой ROC, которые могут быть полезны в достижении..

Выбор переменных - один из ключевых процессов в процессе прогнозного моделирования. Это искусство. Проще говоря, выбор переменных похож на выбор футбольной команды, которая выиграет чемпионат мира. Вам нужно, чтобы на каждой позиции был лучший игрок, и вам не нужно, чтобы два или несколько игроков играли на одной и той же позиции. В Python у нас есть разные методы выбора переменных. Некоторые из них включают в себя рекурсивное исключение функций, выбор на основе дерева, выбор..

Когда мы имеем дело с многомерными наборами данных, у нас могут возникнуть проблемы с методами кластеризации. Выбор признаков — хорошо известный метод обучения с учителем, но гораздо менее известный метод обучения без учителя (например, кластеризация). Здесь мы разработаем относительно простой жадный алгоритм для выполнения выбора переменных в Наборах данных Европы на Kaggle. Алгоритм будет состоять из следующих шагов: 0. Убедитесь, что переменная числовая и масштабированная,..

Я выпускаю коды MATLAB, R и Python оператора наименьшего абсолютного сжатия и выбора (LASSO). Они очень просты в использовании. Вы подготавливаете набор данных и просто запускаете код! Затем можно получить LASSO и результаты прогнозирования для новых образцов. Очень просто и легко! Вы можете купить каждый код по указанным ниже URL-адресам. МАТЛАБ https://gum.co/czarD Пожалуйста, загрузите дополнительный zip-файл (это бесплатно) по указанному ниже URL-адресу, чтобы запустить..