Публикации по теме 'logistic-regression'
Машинное обучение 101: логистическая регрессия
Изучите логистическую регрессию за 5 минут с помощью Python
Машинное обучение 101
"Линейная регрессия"
2. Логистическая регрессия
и многое другое.
В предыдущем посте мы начали серию машинного обучения с линейной регрессии. Теперь пришло время изучить логистическую регрессию с ее основами.
В этом посте я объясню, как работает логистическая регрессия и как ее построить на Python.
Если вы не знакомы с линейной регрессией, я также объяснил линейную регрессию на..
Временная и пространственная сложность моделей машинного обучения
"Машинное обучение"
Временная и пространственная сложность моделей машинного обучения
Сложность обучения модели машинного обучения по времени - время, затраченное на обучение модели. Временная сложность теста модели машинного обучения - время, необходимое для прогнозирования выходных данных для заданной точки входного запроса.
Сложность времени - важный аспект, который нужно знать, когда кому-то нужна модель с низкой задержкой. Давайте углубимся в детали того, сколько..
Линейная и логистическая регрессия с использованием нормального уравнения: реализация с нуля
В предыдущей статье мы провели линейную и логистическую регрессию с использованием алгоритма градиентного спуска. Мы также собираемся обсудить, в чем разница между использованием нормального уравнения и использованием алгоритма оптимизации, такого как градиентный спуск.
Вы можете проверить эти статьи по данной ссылке ниже:
Линейная регрессия — https://medium.com/@pdhameliya3333/linear-regression-implementation-from-scratch-de3135939372 Логистическая регрессия —..
Полиномиальная логистическая регрессия
Полиномиальная логистическая регрессия
говоря о концепции логистической регрессии и реализации логистической функции для реальной простой задачи классификации
Привет народ!
В этой статье речь пойдет об одной из самых полезных регрессионных моделей для задач классификации .
Прежде чем углубляться в понятия, давайте начнем с обычного вопроса!
Представьте, что вы решили пойти на пикник, и первый вопрос, который вы зададите себе, это как погода , потому что, если она будет..
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,..
Логистическая регрессия - !!
Логистическая регрессия, также известная как логит-регрессия, и здесь мы решаем проблему, когда зависимая переменная (y) является «категориальной» по своей природе. На простом языке модель логит-регрессии — это функция, которая сопоставляет различные значения предикторов с классом c, где C={1,2,3,4,5….K} . Бинарная логистическая регрессия — это модель используется для оценки вероятности бинарного ответа на основе одной или нескольких переменных-предикторов. Здесь прогнозируемые..
ЛИНЕЙНАЯ РЕГРЕССИЯ
В этой главе мы разберемся с одним из самых простых алгоритмов машинного обучения и создадим его с нуля на Python с использованием numpy.
Машинное обучение с учителем можно разделить на две группы:
Регрессия: для прогнозирования непрерывных переменных, например температуры и т. д. Классификация: для прогнозирования дискретных переменных, например, собака/кошка.
В линейной регрессии мы устанавливаем линейную связь между входными переменными (X) и одной выходной переменной (Y)...
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..