4.0 KiB
Regressionsmodeller för maskininlärning
Regionalt ämne: Regressionsmodeller för pumpapriser i Nordamerika 🎃
I Nordamerika skärs pumpor ofta ut till skrämmande ansikten inför Halloween. Låt oss upptäcka mer om dessa fascinerande grönsaker!
Foto av Beth Teutschmann på Unsplash
Vad du kommer att lära dig
🎥 Klicka på bilden ovan för en snabb introduktionsvideo till denna lektion
Lektionerna i detta avsnitt täcker olika typer av regression inom maskininlärning. Regressionsmodeller kan hjälpa till att fastställa relationen mellan variabler. Denna typ av modell kan förutsäga värden som längd, temperatur eller ålder och därmed avslöja samband mellan variabler när den analyserar datapunkter.
I denna serie av lektioner kommer du att upptäcka skillnaderna mellan linjär och logistisk regression, och när du bör föredra den ena framför den andra.
🎥 Klicka på bilden ovan för en kort video som introducerar regressionsmodeller.
I denna grupp av lektioner kommer du att förbereda dig för att börja med maskininlärningsuppgifter, inklusive att konfigurera Visual Studio Code för att hantera notebooks, den vanliga miljön för dataforskare. Du kommer att upptäcka Scikit-learn, ett bibliotek för maskininlärning, och du kommer att bygga dina första modeller, med fokus på regressionsmodeller i detta kapitel.
Det finns användbara verktyg med låg kod som kan hjälpa dig att lära dig att arbeta med regressionsmodeller. Prova Azure ML för denna uppgift
Lektioner
Krediter
"ML med regression" skrevs med ♥️ av Jen Looper
♥️ Bidrag till quiz inkluderar: Muhammad Sakib Khan Inan och Ornella Altunyan
Pumpadatasetet föreslås av detta projekt på Kaggle och dess data kommer från Specialty Crops Terminal Markets Standard Reports som distribueras av United States Department of Agriculture. Vi har lagt till några punkter kring färg baserat på sort för att normalisera distributionen. Denna data är i public domain.
Ansvarsfriskrivning:
Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, vänligen notera att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.