สิ่งตีพิมพ์ในหัวข้อ 'regression'


สนับสนุนการถดถอยเวกเตอร์
Support Vector Regression (SVR) เป็นอัลกอริทึมการถดถอยประเภทหนึ่งที่ใช้ Support Vector Machines (SVM) เพื่อทำการวิเคราะห์การถดถอย ตรงกันข้ามกับอัลกอริธึมการถดถอยแบบดั้งเดิมซึ่งมีจุดมุ่งหมายเพื่อลดข้อผิดพลาดระหว่างค่าที่คาดการณ์ไว้กับค่าจริง SVR มุ่งหวังที่จะติดตั้ง "ทูบ" ไว้รอบข้อมูล เพื่อให้จุดข้อมูลส่วนใหญ่จะอยู่ภายในทูบ เป้าหมายของ SVR คือการค้นหาฟังก์ชันที่มีระยะขอบสูงสุดจากหลอด ใน SVR ข้อมูลอินพุตจะถูกแปลงเป็นพื้นที่มิติที่สูงกว่า โดยจะใช้แบบจำลองการถดถอยเชิงเส้น จากนั้น SVM..
ความเข้าใจพื้นฐานเกี่ยวกับการถดถอยในการเรียนรู้ของเครื่อง
บทนำ การถดถอยเป็นกระบวนการทำนายค่าต่อเนื่องโดยใช้ตัวแปรที่กำหนด โดยทั่วไปตัวแปรจะมี 2 ประเภท:- ตัวแปรอิสระและตัวแปรตาม ตัวแปรตามคือตัวแปรที่เราพยายามทำนาย หรือเรียกอีกอย่างว่าอาร์เรย์เป้าหมาย (y) ตัวแปรอิสระคือตัวแปรที่เก็บค่าของคุณลักษณะของข้อมูล แสดงเป็นคุณสมบัติ (X) โดยพื้นฐานแล้ว แบบจำลองการถดถอยเชื่อมโยง y กับ x ประเภทของแบบจำลองการถดถอย Machine Learning มีโมเดลการถดถอยอยู่ 2 ประเภทหลักๆ การถดถอยอย่างง่าย:-..
ความแม่นยำในการคาดการณ์ M5 (ประมาณยอดขายต่อหน่วยของสินค้าขายปลีกของ Walmart)
“ในที่สุดเราก็ทำนายอนาคตแล้วเหรอ? ใช่!! แต่อาจจะไม่แม่นยำนัก" สารบัญ: ปัญหาทางธุรกิจ แหล่งที่มาของข้อมูล/การดึงข้อมูล ตัวชี้วัดการประเมินผล การจับคู่ปัญหาในโลกแห่งความเป็นจริงกับปัญหา ML การวิเคราะห์ข้อมูลเชิงสำรวจ (EDA) วิศวกรรมข้อมูล แนวทางที่มีอยู่ โมเดลการเรียนรู้ของเครื่อง โมเดลการเรียนรู้เชิงลึก การทดลองที่ทำงานได้ไม่ดีนัก การปรับใช้ การทำงานในอนาคตและการปรับปรุง อ้างอิง. 1. ปัญหาทางธุรกิจ: 1.1 การพยากรณ์ยอดขายคืออะไร?..
ฝึกอบรมและประเมินแบบจำลองการถดถอย (1/4)
การถดถอยคือจุดที่แบบจำลองทำนายตัวเลข การถดถอยคืออะไร? การถดถอยทำงานโดยการสร้างความสัมพันธ์ระหว่างตัวแปรในข้อมูลที่แสดงถึงคุณลักษณะ — ที่เรียกว่า คุณลักษณะ — ของสิ่งที่ถูกสังเกต และตัวแปรที่เราพยายามคาดการณ์ — ที่เรียกว่า ป้ายกำกับ . ตัวอย่างเช่น หากบริษัทที่เช่าจักรยานต้องการคาดการณ์จำนวนการเช่าที่คาดหวังในวันที่กำหนด แบบจำลองการถดถอยสามารถทำนายจำนวนนี้ได้ ในกรณีนี้ คุณลักษณะต่างๆ จะรวมถึงสิ่งต่างๆ เช่น วันในสัปดาห์ เดือน และอื่นๆ ในขณะที่ป้ายกำกับคือจำนวนจักรยานที่เช่า..
การดูพฤติกรรมไม่เชิงเส้นของแผนผังการตัดสินใจและฟอเรสต์สุ่มในการแก้ปัญหาการถดถอย
ทำความเข้าใจว่าโมเดล Machine Learning เหล่านี้ทำงานอย่างไรโดยการแสดงภาพพฤติกรรมในพื้นที่สามมิติ บทความนี้ได้รับแรงบันดาลใจจากความสนใจของฉันในการพัฒนาสัญชาตญาณการมองเห็นเกี่ยวกับการถดถอยที่ดำเนินการโดยโมเดลการเรียนรู้ของเครื่อง เช่น ต้นไม้การตัดสินใจ และป่าสุ่ม ฉันเลือกชุดข้อมูลขนาดเล็กที่อนุญาตให้มีการแสดงภาพสามมิติของตัวแปรและพื้นที่โซลูชันของแบบจำลอง ผลลัพธ์นี้แสดงให้เห็นพฤติกรรมที่ไม่เป็นเชิงเส้นของพวกมันได้ดีมาก และช่วยให้เข้าใจความสามารถในการแก้ไขปัญหาหลายมิติที่ซับซ้อนได้ดีขึ้น..
การเลือกตัวชี้วัดการประเมินที่เหมาะสม
โมเดลของคุณพร้อมสำหรับการผลิตแล้วหรือยัง? ขึ้นอยู่กับวิธีการวัด และการวัดด้วยตัวชี้วัดที่เหมาะสมสามารถปลดล็อกประสิทธิภาพที่ดียิ่งขึ้นได้ การประเมินประสิทธิภาพของโมเดลเป็นขั้นตอนสำคัญในการสร้างโมเดลการเรียนรู้ของเครื่องที่มีประสิทธิภาพ เมื่อคุณ "เริ่มต้นใช้งาน Continual" และเริ่มสร้างโมเดล การทำความเข้าใจเมตริกการประเมินจะช่วยในการผลิตโมเดลที่มีประสิทธิภาพดีที่สุดสำหรับกรณีการใช้งานของคุณ แม้ว่า "เวิร์กโฟลว์ Gitops สมัยใหม่" และ "การผสานรวม dbt ที่ราบรื่น" ของ Continual..
การเรียนรู้ของเครื่องที่คุณทำในโรงเรียนมัธยม
การเรียนรู้ของเครื่องอาจดูเหมือนเป็นแนวคิดที่แปลกไปโดยสิ้นเชิง อย่างไรก็ตาม แม้ว่าคุณจะยังไม่ได้เจาะลึกเพื่อทำความเข้าใจสาขาต่างๆ มากมาย คุณอาจแปลกใจที่รู้ว่าคุณเกือบจะนำอัลกอริทึมการเรียนรู้ของเครื่องมาใช้มาก่อนแล้ว ก่อนที่ฉันจะอธิบายรายละเอียด สิ่งสำคัญคือต้องเข้าใจว่าการเรียนรู้จากมุมมองของแมชชีนเลิร์นนิงมีความหมายอย่างไร การเรียนรู้ของมนุษย์ สมมติว่าคุณกำลังเดินอยู่ในสวนสาธารณะ แล้วจู่ๆก็มีสัตว์วิ่งเข้ามาหาคุณ ทันทีที่คุณเห็นสัตว์ คุณจะสามารถระบุได้ว่าเป็นสุนัขกำลังหยิบของเล่น..