3.9 KiB
Model regresi untuk pembelajaran mesin
Topik serantau: Model regresi untuk harga labu di Amerika Utara 🎃
Di Amerika Utara, labu sering diukir menjadi wajah menakutkan untuk Halloween. Mari kita pelajari lebih lanjut tentang sayur-sayuran yang menarik ini!
Foto oleh Beth Teutschmann di Unsplash
Apa yang akan anda pelajari
🎥 Klik imej di atas untuk video pengenalan ringkas kepada pelajaran ini
Pelajaran dalam bahagian ini merangkumi jenis regresi dalam konteks pembelajaran mesin. Model regresi boleh membantu menentukan hubungan antara pemboleh ubah. Jenis model ini boleh meramalkan nilai seperti panjang, suhu, atau umur, sekaligus mendedahkan hubungan antara pemboleh ubah semasa menganalisis titik data.
Dalam siri pelajaran ini, anda akan mempelajari perbezaan antara regresi linear dan regresi logistik, serta bila anda harus memilih satu berbanding yang lain.
🎥 Klik imej di atas untuk video pendek memperkenalkan model regresi.
Dalam kumpulan pelajaran ini, anda akan bersedia untuk memulakan tugas pembelajaran mesin, termasuk mengkonfigurasi Visual Studio Code untuk menguruskan notebook, persekitaran biasa bagi saintis data. Anda akan mengenali Scikit-learn, sebuah perpustakaan untuk pembelajaran mesin, dan anda akan membina model pertama anda, dengan fokus pada model regresi dalam bab ini.
Terdapat alat low-code yang berguna untuk membantu anda mempelajari cara bekerja dengan model regresi. Cuba Azure ML untuk tugas ini
Pelajaran
Kredit
"ML dengan regresi" ditulis dengan ♥️ oleh Jen Looper
♥️ Penyumbang kuiz termasuk: Muhammad Sakib Khan Inan dan Ornella Altunyan
Dataset labu dicadangkan oleh projek ini di Kaggle dan datanya diperoleh daripada Laporan Standard Pasaran Terminal Tanaman Khas yang diedarkan oleh Jabatan Pertanian Amerika Syarikat. Kami telah menambah beberapa titik berkaitan warna berdasarkan varieti untuk menormalkan taburan. Data ini adalah dalam domain awam.
Penafian:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat yang kritikal, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.