4.5 KiB
Modèles de régression pour l'apprentissage automatique
Sujet régional : Modèles de régression pour les prix des citrouilles en Amérique du Nord 🎃
En Amérique du Nord, les citrouilles sont souvent sculptées en visages effrayants pour Halloween. Découvrons-en davantage sur ces légumes fascinants !
Photo par Beth Teutschmann sur Unsplash
Ce que vous allez apprendre
🎥 Cliquez sur l'image ci-dessus pour une vidéo d'introduction rapide à cette leçon
Les leçons de cette section couvrent les types de régression dans le contexte de l'apprentissage automatique. Les modèles de régression peuvent aider à déterminer la relation entre les variables. Ce type de modèle peut prédire des valeurs telles que la longueur, la température ou l'âge, révélant ainsi les relations entre les variables en analysant les points de données.
Dans cette série de leçons, vous découvrirez les différences entre la régression linéaire et la régression logistique, ainsi que les situations où l'une est préférable à l'autre.
🎥 Cliquez sur l'image ci-dessus pour une courte vidéo présentant les modèles de régression.
Dans ce groupe de leçons, vous apprendrez à vous préparer pour les tâches d'apprentissage automatique, notamment en configurant Visual Studio Code pour gérer les notebooks, l'environnement commun des data scientists. Vous découvrirez Scikit-learn, une bibliothèque pour l'apprentissage automatique, et vous construirez vos premiers modèles, en vous concentrant sur les modèles de régression dans ce chapitre.
Il existe des outils low-code utiles qui peuvent vous aider à apprendre à travailler avec des modèles de régression. Essayez Azure ML pour cette tâche
Leçons
Crédits
"ML avec régression" a été écrit avec ♥️ par Jen Looper
♥️ Les contributeurs aux quiz incluent : Muhammad Sakib Khan Inan et Ornella Altunyan
Le jeu de données sur les citrouilles est suggéré par ce projet sur Kaggle et ses données proviennent des Rapports standards des marchés terminaux des cultures spécialisées distribués par le Département de l'Agriculture des États-Unis. Nous avons ajouté quelques points autour de la couleur en fonction de la variété pour normaliser la distribution. Ces données sont dans le domaine public.
Avertissement :
Ce document a été traduit à l'aide du service de traduction automatique Co-op Translator. Bien que nous nous efforcions d'assurer l'exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d'origine doit être considéré comme la source faisant autorité. Pour des informations critiques, il est recommandé de recourir à une traduction professionnelle réalisée par un humain. Nous déclinons toute responsabilité en cas de malentendus ou d'interprétations erronées résultant de l'utilisation de cette traduction.