Публикации по теме 'linear-regression'
Алгоритмы машинного обучения, часть 1: линейная регрессия
Предсказать цену бриллиантов с помощью линейной регрессии
Линейная регрессия — мощный, но относительно простой инструмент, который можно использовать для понимания взаимосвязи между переменными. В этом руководстве будут изучены основы линейной регрессии в удобной для начинающих форме. К концу этого руководства у вас будет четкое представление о линейной регрессии и о том, как ее реализовать с использованием реальных данных.
Что такое линейная регрессия?
Линейная регрессия,..
Введение в алгоритмы контролируемого обучения в машинном обучении
Машинное обучение — это увлекательная область, которая позволяет компьютерам учиться на данных и делать прогнозы или принимать решения без явного программирования. Среди различных методов машинного обучения обучение с учителем является наиболее распространенным и важным подходом. Эта статья служит вводным руководством по обучению с учителем и предназначена для начинающих. Мы изучим фундаментальные принципы обучения с учителем, обсудим популярные алгоритмы, такие как линейная регрессия,..
Навигация в мире глубокого обучения: глоссарий основных терминов.
Глубокое обучение 101: понимание жаргона.
Навигация в мире глубокого обучения: глоссарий основных терминов.
Справочное руководство для понимания сложной терминологии, используемой в проектах глубокого обучения.
Глубокое обучение — это быстрорастущая область искусственного интеллекта (ИИ), которая меняет наше взаимодействие с технологиями. Однако с быстрым развитием новых методов и технологий эта область также становится все более сложной и трудной для понимания. Терминология,..
Линейная и полиномиальная регрессия
Регрессия — это метод оценки взаимосвязи по заданным данным для отображения характера набора данных. Затем эту взаимосвязь можно использовать для прогнозирования будущих значений или для вычислений, если существует взаимосвязь между различными переменными.
В этом посте мы рассмотрим алгоритмы линейной и полиномиальной регрессии и их свойства. Вскоре мы обнаружим, что многие из них склонны хорошо работать в определенных ситуациях и с определенными типами данных.
Линейная регрессия..
Линейная регрессия: полное руководство по цифровому картографированию почв
МАШИННОЕ ОБУЧЕНИЕ | СЕЛЬСКОЕ ХОЗЯЙСТВО
Линейная регрессия: полное руководство по цифровому картографированию почв
Использование возможностей линейной регрессии и кригинга, чтобы сделать человечество на один шаг ближе к футуристическому сельскому хозяйству
В первой части этой серии мы увидели, как, объединив данные обучения, переменные и пропустив их через прогностическую модель , мы получили оцифрованную трехмерную карту почвы. Первой и наиболее часто используемой моделью..
Пошаговое руководство: реализация линейной регрессии для машинного обучения
Линейная регрессия — это мощный статистический метод, который можно использовать для прогнозирования будущих значений зависимой переменной на основе прошлых значений независимой переменной. В машинном обучении линейную регрессию можно использовать для построения прогнозных моделей для поиска взаимосвязей между функциями и метками.
В этом руководстве мы рассмотрим основы линейной регрессии и покажем, как ее реализовать на Python. Мы также рассмотрим некоторые важные соображения при работе..
Линейная регрессия и исследовательский анализ данных в базе данных счастья 2019 г.
В этой истории исследовательский и регрессионный анализ будут проводиться в базе данных счастья от Kaggle. Мы будем использовать показатель счастья в качестве нашей зависимой переменной, а все остальные переменные в наборе данных — в качестве независимых переменных. Ссылка указана, как показано ниже.
Сначала мы будем читать в базе данных в кадр даты
# Чтение данных happy = read.csv("happiness.csv")
Структура данных состоит из числовых переменных, 156 строк и 7 признаков.
Первые..
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..