Публикации по теме 'regression'
Регрессионные подходы к прогнозированию цены на алмазы!
В этой статье мы рассмотрим весь процесс создания модели машинного обучения на основе набора данных для прогнозирования цен на алмазы. Затем мы также сравним результаты, используя различные метрики регрессии.
Вы также можете скачать набор данных из этого репозитория . Он содержит информацию о размере, цвете, чистоте, весе и огранке бриллиантов по сравнению с ценой.
1. Бриллианты
Алмаз образуется в условиях высокой температуры и давления, которые существуют всего в 100..
Плюсы и минусы популярных алгоритмов контролируемого обучения
Все мы использовали один из следующих алгоритмов контролируемого обучения для прогнозного анализа:
Логистическая регрессия Хребтовая регрессия Регрессия ЛАССО Линейный дискриминантный анализ (LDA) K Ближайшие соседи (KNN) Наивный байесовский (NB) Машина опорных векторов (SVM) Древо решений Случайный лес (РФ) Повышение градиента
Но задумывались ли вы об их плюсах или минусах? Здесь я перечислил несколько:
1. Логистическая регрессия:
Плюсы:
а) Используется,..
Приложение для прогнозирования больничных расходов с использованием Flask
Аннотация
В этом учебном пособии шаг за шагом подробно описано, как создать модель прогнозирования на основе flask API на основе линейной регрессии, которая прогнозирует общую стоимость выписки из стационара на основе исторических данных и факторов, влияющих на эту стоимость. Этот проект разработан с учетом потребностей конечного пользователя и обеспечивает интуитивно понятный и простой пользовательский интерфейс.
Введение
По данным statista.com, расходы на здравоохранение на..
Линейная регрессия
Линейная регрессия — это хорошо известный алгоритм машинного обучения, который позволяет нам делать числовые прогнозы. В алгоритме линейной регрессии есть два типа переменных, называемых зависимыми и независимыми. Переменная, которую мы хотим предсказать, является зависимой переменной, также известной как метка. Переменные, которые мы используем для прогнозирования, являются независимыми переменными, также известными как функции. В приведенном ниже примере мы хотим предсказать цены на..
Метрики регрессии для определения эффективности моделей регрессии
Регрессионные модели — это модели, которые используются для прогнозирования непрерывных или реальных значений, например , зарплаты, оценок, количества товаров, которые будут проданы, и т. д. Вот некоторые из популярных регрессионных моделей:
Линейная регрессия Регрессор дерева решений Случайный лесной регрессор Регрессор опорных векторов Регрессор повышения градиента Регрессор с экстремальным градиентом
Для расчета эффективности всех вышеперечисленных моделей мы..
Задача прогнозирования цен — Практический пример использования машинного обучения
Эксперименты с алгоритмами машинного обучения на задаче Kaggle — Mercari Price Suggestion Challenge
Это мир, управляемый данными. Тот, у кого больше данных, является здесь пионером. От прокрутки роликов Instagram до поиска этой статьи данные есть везде. Машинное обучение — это игра с этими данными путем экспериментирования с ними различных алгоритмов. Когда вы говорите данных и машинного обучения, неудивительно, что электронная коммерция, одна из самых быстрорастущих тенденций,..
Прогнозирование с помощью линейной регрессии в Microsoft Excel — inc. Сезонность и рост
В этой статье представлено пошаговое руководство о том, как выполнять простое, но эффективное прогнозирование в Microsoft Excel с использованием модели линейной регрессии.
Мы рассмотрим три варианта модели и сравним результаты на конкретном одномерном наборе данных — ежемесячные продажи продукта за 5 лет. Будут три варианта модели;
Оригинальная модель линейной регрессии (LR). Модель LR с сезонностью — определение того, как колеблются продажи в определенные месяцы, и реагирование на..
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..