4.2 KiB
Modele regresji w uczeniu maszynowym
Temat regionalny: Modele regresji dla cen dyni w Ameryce Północnej 🎃
W Ameryce Północnej dynie często są rzeźbione w straszne twarze na Halloween. Odkryjmy więcej na temat tych fascynujących warzyw!
Zdjęcie autorstwa Beth Teutschmann na Unsplash
Czego się nauczysz
🎥 Kliknij obrazek powyżej, aby obejrzeć krótki film wprowadzający do tej lekcji
Lekcje w tej sekcji obejmują różne rodzaje regresji w kontekście uczenia maszynowego. Modele regresji mogą pomóc określić związek między zmiennymi. Tego typu modele mogą przewidywać wartości, takie jak długość, temperatura czy wiek, odkrywając jednocześnie relacje między zmiennymi podczas analizy punktów danych.
W tej serii lekcji poznasz różnice między regresją liniową a logistyczną oraz dowiesz się, kiedy warto wybrać jedną z nich.
🎥 Kliknij obrazek powyżej, aby obejrzeć krótki film wprowadzający do modeli regresji.
W tej grupie lekcji przygotujesz się do rozpoczęcia zadań związanych z uczeniem maszynowym, w tym skonfigurujesz Visual Studio Code do zarządzania notatnikami, które są powszechnym środowiskiem pracy dla naukowców zajmujących się danymi. Poznasz bibliotekę Scikit-learn, przeznaczoną do uczenia maszynowego, i zbudujesz swoje pierwsze modele, koncentrując się na modelach regresji w tym rozdziale.
Istnieją przydatne narzędzia niskokodowe, które mogą pomóc w nauce pracy z modelami regresji. Wypróbuj Azure ML do tego zadania
Lekcje
Podziękowania
"Uczenie maszynowe z regresją" zostało napisane z ♥️ przez Jen Looper
♥️ Współtwórcy quizów: Muhammad Sakib Khan Inan i Ornella Altunyan
Zbiór danych dotyczący dyni został zasugerowany przez ten projekt na Kaggle, a dane pochodzą z Raportów Standardowych Rynków Terminalowych dla Upraw Specjalistycznych dystrybuowanych przez Departament Rolnictwa Stanów Zjednoczonych. Dodaliśmy kilka punktów dotyczących koloru w zależności od odmiany, aby znormalizować rozkład. Dane te są w domenie publicznej.
Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za źródło autorytatywne. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.