3.8 KiB
Miundo ya Regression kwa Kujifunza Mashine
Mada ya Kikanda: Miundo ya Regression kwa Bei za Maboga Kaskazini mwa Amerika 🎃
Kaskazini mwa Amerika, maboga mara nyingi hukatwa na kuchongwa kuwa sura za kutisha kwa ajili ya Halloween. Hebu tujifunze zaidi kuhusu mboga hizi za kuvutia!
Picha na Beth Teutschmann kwenye Unsplash
Kile Utakachojifunza
🎥 Bofya picha hapo juu kwa video fupi ya utangulizi wa somo hili
Masomo katika sehemu hii yanahusu aina za regression katika muktadha wa kujifunza mashine. Miundo ya regression inaweza kusaidia kubaini uhusiano kati ya vigezo. Aina hii ya muundo inaweza kutabiri thamani kama urefu, joto, au umri, hivyo kufichua uhusiano kati ya vigezo inapochambua data.
Katika mfululizo huu wa masomo, utagundua tofauti kati ya regression ya mstari na regression ya logistic, na wakati wa kuchagua moja badala ya nyingine.
🎥 Bofya picha hapo juu kwa video fupi inayoelezea miundo ya regression.
Katika kundi hili la masomo, utajiandaa kuanza kazi za kujifunza mashine, ikiwa ni pamoja na kusanidi Visual Studio Code ili kudhibiti daftari, mazingira ya kawaida kwa wanasayansi wa data. Utagundua Scikit-learn, maktaba ya kujifunza mashine, na utajenga miundo yako ya kwanza, ukizingatia miundo ya Regression katika sura hii.
Kuna zana za kiwango cha chini cha msimbo ambazo zinaweza kukusaidia kujifunza kuhusu kufanya kazi na miundo ya regression. Jaribu Azure ML kwa kazi hii
Masomo
Credits
"ML na regression" imeandikwa kwa ♥️ na Jen Looper
♥️ Wachangiaji wa maswali ya mtihani ni pamoja na: Muhammad Sakib Khan Inan na Ornella Altunyan
Seti ya data ya maboga imetolewa na mradi huu kwenye Kaggle na data yake imetokana na Ripoti za Kawaida za Masoko ya Mazao Maalum zinazotolewa na Idara ya Kilimo ya Marekani. Tumeongeza baadhi ya pointi kuhusu rangi kulingana na aina ili kusawazisha usambazaji. Data hii iko katika umma.
Kanusho:
Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI Co-op Translator. Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.