Публикации по теме 'linear-regression'
Линейная регрессия
Регрессионный анализ - одна из важнейших областей статистики и
машинное обучение. Доступно несколько методов регрессии. Линейная регрессия - одна из них. Регрессия ищет отношения между переменными. В статистическом моделировании и машинном обучении эта взаимосвязь используется для прогнозирования результата дальнейшего или будущего события.
Линейная регрессия
Линейная регрессия, вероятно, является одним из наиболее важных и широко используемых методов регрессии. Это один из..
Интуиция линейной регрессии, самое простое объяснение
· Концепция алгоритма линейной регрессии заключается в создании линии наилучшего соответствия, которая выглядит как на изображении ниже.
· Красная линия – это линия, созданная моделью. Он идет линейно с точками данных таким образом, который лучше всего подходит к точкам данных или близок к ним.
Здесь важно создать линию регрессии. точки на линии регрессии будут нашими предсказанными точками.
Формула для линии регрессии
Y= mx+c
Где Y — прогнозируемые точки, m — наклон линии...
Что делает функция стоимости в машинном обучении.
Каждый алгоритм имеет собственную функцию стоимости, чтобы минимизировать потери при прогнозировании. Аналогичным образом линейная регрессия использует «функцию квадратичной ошибки», чтобы найти потерю с помощью математического представления ниже. Несмотря на то, что функция Squares Error не используется во многих сценариях, несмотря на то, что это основная функция для нахождения функции стоимости.
Всегда помните, что значение функции стоимости в основном зависит от гипотезы,..
Логистическая регрессия — Перспектива минимизации потерь
Логистическая регрессия — перспектива минимизации потерь
Что такое потеря?
Идеальная функция потерь возвращает значение
+1 за неправильно классифицированные баллы 0 за правильно классифицированные баллы
Проблема
Чтобы решить задачи оптимизации в ML, нам нужно использовать дифференцирование/исчисление. Вышеупомянутая функция 01loss не дифференцируема. Чтобы функция была дифференцируемой, она должна быть непрерывной. Функция 01loss не дифференцируема при 0,..
Как я создал модель машинного обучения и развернул ее с помощью Streamlit
Сквозной Data Science проект регрессионной модели для прогнозирования цен на автомобили.
Проект
Язык программирования: Python Алгоритм: контролируемое обучение, регрессия случайного леса Цель: Моей целью в этом проекте было создание модели для оценки цен на автомобили в Бразилии. Эта модель была развернута в веб-приложении, созданном с помощью Streamlit, что могло, например, помочь магазину оценить цены на автомобили, которые они собирались купить.
Набор данных
Этот..
Допущения линейной регрессии
Линейная регрессия используется, когда набор данных имеет линейную корреляцию. Перед построением модели линейной регрессии предположения должны быть проверены . Если предположения нарушаются, необходимо использовать разные методики.
Простая линейная регрессия имеет одну независимую переменную (предиктор) и зависимую переменную (ответ), а множественная линейная регрессия имеет более одного предиктора для прогнозирования ответа.
Уравнение простой линейной регрессии..
Построение и оценка модели линейной регрессии с нуля: пошаговое руководство
Линейная регрессия
Линейная регрессия — это алгоритм контролируемого машинного обучения (ML), используемый для задач прогнозирования (регрессии). Термин «линейная регрессия» был впервые введен сэром Фрэнсисом Гальтоном в 1894 году. Линейная регрессия — это статистический метод, который моделирует связь между зависимой переменной (Y) и одной или несколькими независимыми переменными (X) в виде линейного уравнения. Мы не можем применить линейную регрессию к данным, которые не имеют..
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..