Hej

Dobrodošli na prvi dio trodjelnog dubinskog ronjenja modelirano linearno regresijsko modeliranje - neki od najpopularnijih algoritama za zadatke nadziranog učenja **. **

Prije nego što prijeđemo u jednadžbe i kod, prvo razgovarajmo o tome što će biti obrađeno u ovoj seriji.

Prvi dio uključivat će uvodnu raspravu o regresiji, objašnjenje linearnog regresijskog modeliranja i prezentaciju Obični najmanji kvadrati (OLS) model (iz izvođenja procjenitelja modela pomoću primijenjene teorije optimizacije kroz implementaciju nalaza u Pythonu pomoću NumPy -a).

Nedostaci OLS modela i neki mogući lijekovi bit će razmatrani u drugi dio . Jedan takav lijek, Regresija grebena , bit će ovdje prezentirano s objašnjenjem uključujući izvođenje ocjenjivača modela i implementaciju NumPy u Pythonu.

Treći dio zaključit će ovaj niz postova s ​​objašnjenjima preostalih reguliranih linearnih modela: Laso i elastična mreža . Rješavanje ovih modela složenije je nego u prethodnim slučajevima jer je potrebna diskretna tehnika optimizacije. Uzrok ove komplikacije, algoritam _Pathwise Coordinate Descent _, zajedno s implementacijom Pythona zasnovanom na NumPy-u, i neke zaključne primjedbe date su u ovom postu.

Modeli i uključene implementacije testirani su na skupu podataka za predviđanje kvalitete vina čiji se kod i rezultati mogu vidjeti u spremištu projekta ovdje

#numpy #strojno učenje #optimizacija #python #linearna regresija

premadatascience.com

Regularizirani modeli linearne regresije

Prvi dio od tri: Uvod, linearno regresijsko modeliranje, obični najmanji kvadrati (OLS)