Публикации по теме 'regression'
Понимание метрик регрессии
Использование показателей регрессии для оценки моделей машинного обучения
Регрессия с первого взгляда
В этой статье мы рассмотрим общие показатели, которые вы увидите при оценке производительности обученной модели машинного обучения для задачи регрессии .
Регрессионные эксперименты являются одной из трех основных задач машинного обучения и используются для прогнозирования числовой метки с учетом набора функций и обучающих данных.
Подробное руководство по эластичной сетевой регрессии !
Elastic Net Regression — это мощный алгоритм машинного обучения, который сочетает в себе функции Lasso и Ridge Regression. Это метод регуляризованной регрессии, который используется для решения проблем мультиколлинеарности и переобучения, которые часто встречаются в многомерных наборах данных. Этот алгоритм работает путем добавления штрафного члена к стандартной целевой функции наименьших квадратов. В этом блоге мы подробно расскажем об эластичной сетевой регрессии, ее преимуществах и..
Алгоритмы машинного обучения: линейные модели
Для задач регрессии хорошей отправной точкой является линейная регрессия, поскольку она проста, быстра, легко подгоняется и интерпретируется. Его также можно распространить на сложные проблемы и шаблоны данных.
Линейная регрессия
В линейной регрессии мы подгоняем прямую линию к данным (y=ax+b; где a — наклон, а b — точка пересечения линии), или ее также можно представить как:
ŷ = θ0 + θ1x1 + θ2x2 + ⋯ + θnxn
где ŷ — прогнозируемое значение, n — количество предикторов/признаков,..
Интуиция многомерных адаптивных регрессионных сплайнов (MARS)
Многомерные адаптивные регрессионные сплайны, широко известные как MARS, — это алгоритм, который лучше всего подходит для многомерных и сложных наборов данных нелинейных отношений. Его можно рассматривать как обобщенную форму пошаговой регрессии (пошаговая регрессия сначала выполняет прямой выбор, когда она начинает загрузку модели, а затем сокращает или отбирает назад, чтобы удалить переменные, которые не помогают значительно снизить частоту ошибок).
Он строит кусочно-линейную..
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..
Декомпозиция дисперсии смещения в условиях регрессии
Концепция декомпозиции дисперсии смещения очень убедительна, поскольку она помогает вам лучше понять алгоритмы и с легкостью играть с ними. Это поможет вам понять, как возникают ошибки из-за предвзятости и дисперсии в вашей модели и процессе подбора данных для лучшего выбора моделирования.
Что такое функция регрессии?
Предположим, у нас есть данные о двух переменных 𝑿 и 𝒀, функция 𝒀 — это то, что мы пытаемся предсказать, она же зависимая переменная, а 𝑿 — входная или независимая..
LAD (надежный) регрессионный код для полинома от scipy.optimize.linprog в python
Теория
См. подробный математический вывод A и b здесь: https://mlai.cs.uni-bonn.de/lecturenotes/ml2r-cn-linearprogramming2.pdf
Код from scipy.io import loadmat
from scipy.optimize import linprog
import numpy as np
x_train = loadmat('Xtrain.mat')
y_train = loadmat('Ytrain.mat')
# let x and y be sorted by x ascending
x_train_inds = x_train['Xtrain'].T.argsort() # [::-1] for descending
# NOTE to x.T, otherwise argost() returns [0 0 0...]
x_train_arr =..
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..