3.9 KiB
Regressiomallit koneoppimisessa
Alueellinen aihe: Regressiomallit kurpitsan hinnoille Pohjois-Amerikassa 🎃
Pohjois-Amerikassa kurpitsat kaiverretaan usein pelottaviksi kasvoiksi Halloweenia varten. Tutustutaanpa tarkemmin näihin kiehtoviin vihanneksiin!
Kuva: Beth Teutschmann osoitteessa Unsplash
Mitä opit
🎥 Klikkaa yllä olevaa kuvaa nähdäksesi lyhyen johdantovideon tähän oppituntiin
Tämän osion oppitunnit käsittelevät regressiotyyppejä koneoppimisen kontekstissa. Regressiomallit voivat auttaa määrittämään suhteen muuttujien välillä. Tämän tyyppinen malli voi ennustaa arvoja, kuten pituutta, lämpötilaa tai ikää, ja paljastaa muuttujien välisiä yhteyksiä analysoidessaan datapisteitä.
Näissä oppitunneissa opit lineaarisen ja logistisen regression erot sekä sen, milloin kumpaakin kannattaa käyttää.
🎥 Klikkaa yllä olevaa kuvaa nähdäksesi lyhyen videon regressiomalleista.
Tässä oppituntisarjassa opit aloittamaan koneoppimistehtävät, mukaan lukien Visual Studio Coden konfiguroinnin muistikirjojen hallintaan, joka on yleinen ympäristö datatieteilijöille. Tutustut Scikit-learniin, koneoppimiskirjastoon, ja rakennat ensimmäiset mallisi, keskittyen tässä luvussa regressiomalleihin.
On olemassa hyödyllisiä vähäkoodisia työkaluja, jotka voivat auttaa sinua oppimaan regressiomallien kanssa työskentelyä. Kokeile Azure ML:ää tähän tehtävään
Oppitunnit
Tekijät
"ML regressiolla" on kirjoitettu ♥️:lla Jen Looperin toimesta.
♥️ Kysymysten laatijoihin kuuluvat: Muhammad Sakib Khan Inan ja Ornella Altunyan
Kurpitsadatan on ehdottanut tämä Kaggle-projekti, ja sen tiedot ovat peräisin Specialty Crops Terminal Markets Standard Reports -raporteista, joita jakaa Yhdysvaltain maatalousministeriö. Olemme lisänneet joitakin pisteitä värin mukaan lajikkeen perusteella normalisoidaksemme jakaumaa. Tämä data on julkista tietoa.
Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäinen asiakirja sen alkuperäisellä kielellä tulisi pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa väärinkäsityksistä tai virhetulkinnoista, jotka johtuvat tämän käännöksen käytöstä.