4.0 KiB
Regressionsmodeller for maskinlæring
Regionalt emne: Regressionsmodeller for græskarpriser i Nordamerika 🎃
I Nordamerika bliver græskar ofte skåret ud som uhyggelige ansigter til Halloween. Lad os udforske mere om disse fascinerende grøntsager!
Foto af Beth Teutschmann på Unsplash
Hvad du vil lære
🎥 Klik på billedet ovenfor for en hurtig introduktionsvideo til denne lektion
Lektionerne i dette afsnit dækker typer af regression i konteksten af maskinlæring. Regressionsmodeller kan hjælpe med at bestemme forholdet mellem variabler. Denne type model kan forudsige værdier som længde, temperatur eller alder og dermed afdække relationer mellem variabler, mens den analyserer datapunkter.
I denne serie af lektioner vil du opdage forskellene mellem lineær og logistisk regression, og hvornår du bør vælge den ene frem for den anden.
🎥 Klik på billedet ovenfor for en kort video, der introducerer regressionsmodeller.
I denne gruppe af lektioner vil du blive klargjort til at begynde maskinlæringsopgaver, herunder konfigurering af Visual Studio Code til at håndtere notebooks, det almindelige miljø for dataforskere. Du vil opdage Scikit-learn, et bibliotek til maskinlæring, og du vil bygge dine første modeller med fokus på regressionsmodeller i dette kapitel.
Der findes nyttige low-code værktøjer, der kan hjælpe dig med at lære at arbejde med regressionsmodeller. Prøv Azure ML til denne opgave
Lektioner
Credits
"ML med regression" er skrevet med ♥️ af Jen Looper
♥️ Quizbidragydere inkluderer: Muhammad Sakib Khan Inan og Ornella Altunyan
Græskardatasættet er foreslået af dette projekt på Kaggle, og dets data er hentet fra Specialty Crops Terminal Markets Standard Reports distribueret af United States Department of Agriculture. Vi har tilføjet nogle punkter omkring farve baseret på sort for at normalisere fordelingen. Disse data er i offentlig ejendom.
Ansvarsfraskrivelse:
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os ikke ansvar for eventuelle misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.