Публикации по теме 'linear-regression'
Использование Python для оценки наборов функций
Обзор
Машинное обучение scikit-learn для Python предоставляет полезную функциональность для оценки моделей и выбора оптимального набора переменных или функций (scikit-learn.org). Фактически, набор инструментов предоставляет ряд классов, специально предназначенных для того, чтобы помочь разработчикам моделей выбрать набор независимых независимых переменных или признаков. Например, выбор признаков предлагает инструменты для исключения признаков с низкой дисперсией, выбора признаков на..
РЕГРЕССИВНЫЙ АНАЛИЗ
Регрессионный анализ — это статистический метод, который используется для описания взаимосвязи между зависимыми и независимыми переменными в простой математической форме.
Существуют различные типы регрессии:
· Линейная регрессия (для непрерывных зависимых переменных)
· Лассо-регрессия (используется как метод регуляризации)
· Ридж-регрессия (используется как метод регуляризации)
· Регрессия Elastic-Net (гибрид регуляризации L1 и L2)
· Логистическая регрессия (для дискретных..
Гамма-регрессия против линейной регрессии (в Python)
Общие линейные модели и гамма-регрессия
Гамма-регрессия — это тип обобщенной линейной модели (GLM), которую можно использовать для моделирования непрерывных неотрицательных данных, и это более гибкая модель, чем линейная регрессия. В модели гамма-регрессии предполагается, что зависимая переменная распределена в соответствии с гамма-распределением. Независимые переменные используются для прогнозирования среднего значения (μ) гамма-распределения.
В контексте GLM функция связи — это..
Теория линейной регрессии и применяется для начинающих с кодом на питоне
Определение линейной регрессии
Линейная регрессия — это модель, которая предполагает линейную связь между входными переменными (x) и одним выходом (y). Если входная переменная только одна, то это называется простой линейной регрессией. Если входных переменных больше одной, то это называется многомерной линейной регрессией. Линейная регрессия используется в области машинного обучения и статистики для понимания связи между входными и выходными переменными. Линейная регрессия очень..
Объяснение самых популярных алгоритмов машинного обучения
Мы уже говорили об искусственном интеллекте и о том, как сильно он развивается.
Заметные достижения ИИ за последнее десятилетие Рост искусственного интеллекта пугает многих людей, которые склонны думать, что в будущем мы увидим роботов… media.datadriveninvestor.com
За всеми этими разработками стоит множество программ и данных. Для некоторых это может показаться скучным, но самое интересное — самые популярные алгоритмы довольно..
Линейная регрессия с нуля
Представление и реализация модели линейной регрессии с нуля в Python
Введение
Цель этой записной книжки — реализовать линейную регрессию с нуля, используя математическое представление модели с помощью Python. во-первых, решение простой линейной регрессии с одной переменной, затем решение модели множественной линейной регрессии для прогнозирования жилья и сравнение результатов с классами предварительной сборки sklearn и, наконец, использование более сложного набора данных: Цены..
Нейронные сети с нуля с Numpy - Часть 2: Линейная регрессия
В этом руководстве вы подробно узнаете, как реализовать линейную регрессию для прогнозирования с помощью Numpy, а также визуализировать, как алгоритм учится эпоху за эпохой. В дополнение к этому вы изучите двухслойные нейронные сети.
В предыдущем уроке вы получили очень краткий обзор перцептрона.
Нейронные сети с нуля с Numpy: Введение В этом руководстве вы получите краткое представление о том, что такое нейронные сети и как они были разработаны. В…..
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..