Публикации по теме 'statistics'
Как использовать деревья решений в машинном обучении для прогнозного моделирования
Деревья решений — это популярный алгоритм машинного обучения, используемый для прогнозного моделирования. Они просты для понимания и могут использоваться как для задач классификации, так и для регрессии. В этом сообщении блога мы обсудим, как работают деревья решений и как вы можете использовать их в своих собственных проектах машинного обучения!
Деревья решений – это тип алгоритма машинного обучения, который используется для прогнозирования результатов. Их называют «деревьями..
Прогнозирование временных рядов с помощью ARIMA , SARIMA и SARIMAX
Глубокое погружение в золотой стандарт прогнозирования временных рядов
Прогнозирование временных рядов — сложная задача, на которую нет простого ответа. Существует бесчисленное множество статистических моделей, которые утверждают, что превосходят друг друга, но никогда не ясно, какая модель лучше.
При этом модели на основе ARMA часто являются хорошей моделью для начала. Они могут достигать приличных результатов в большинстве задач временных рядов и хорошо подходят в качестве базовой..
Примеры теста хи-квадрат с R
"Статистика"
Примеры теста хи-квадрат с R
Анализ ассоциации и распределения переменных
Введение
Когда мы говорим о тестах хи-квадрат, в основном мы изучаем два типа:
Хи-квадрат для независимости Хи-квадрат для согласия
Оба они являются непараметрическими тестами (которые не имеют непрерывной шкалы для измерения и не содержат допущений).
Первый помогает определить любую связь между качественными переменными, а второй сообщает, следует ли выборка тому же..
Мониторинг моделей машинного обучения в производстве: зачем и как?
Как на нашу модель влияет развивающийся мир? Анализ, сосредоточенный на примерах отклонений и реализации стратегий мониторинга на основе Python.
Разработка модели машинного обучения (ML) часто занимает время и требует технических знаний. Как энтузиасты науки о данных, когда мы получаем набор данных для изучения и анализа, мы охотно обучаем и проверяем его, используя разнообразные современные модели или применяя стратегии, ориентированные на данные . Когда мы оптимизируем..
Идентификация легендарных покемонов с помощью алгоритма случайного леса
Покемон, группа милых животных, мирно населяющих планету, пока люди не придут и не заставят их сражаться друг с другом, чтобы получить блестящие значки и право называть себя мастерами покемонов, звучит безумно, правда?
В этом мире существует группа редких и часто могущественных покемонов, известных как Легендарные покемоны .
К сожалению, нет четких критериев, которые определяют этих покемонов.
Единственный способ идентифицировать легендарного покемона - это заявления официальных..
Прогнозирование временных рядов с экспоненциальным сглаживанием линейного тренда Холта
Компенсация тренда в моделях экспоненциального сглаживания
Фон
В моем предыдущем посте мы представили идею экспоненциального сглаживания для построения моделей прогнозирования. Суть экспоненциального сглаживания заключается в том, чтобы придать больший вес недавним наблюдениям и меньший вес, экспоненциально, более историческим.
Первой моделью, которую мы представили, было простое экспоненциальное сглаживание. Простая часть относится к модели, не учитывающей тренд или..
Введение в причинный вывод: что это такое и как его можно использовать
Я провожу много времени, читая разных авторов на Medium или просматривая на X темы в области науки о данных, которые могут быть актуальными. Когда я вижу что-то, о чем мало что знаю, я стараюсь об этом написать. Моя цель – учиться и помогать другим учиться. Недавно меня заинтересовал причинно-следственный вывод. Моя цель — дать обзор или введение в тему. Надеюсь, это вызовет вопросы или дискуссии, и мы сможем вместе узнать что-то новое! Итак, вот общий обзор причинного вывода с..
Новые материалы
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..
ИИ в аэрокосмической отрасли
Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..