В моей предыдущей статье я обсуждал регрессионный анализ, особенно линейную регрессию. Статью можно найти здесь. Нежное введение в линейную регрессию (машинное обучение) Если вы новичок в машинном обучении или науке о данных, это наиболее распространенная модель, с которой вы столкнетесь в качестве новичок. На… medium.com Я хотел бы привести несколько примеров использования регрессионного анализа, прежде чем мы перейдем к основной..

Если вы уделяете достаточно времени чтению статистики и машинного обучения, велика вероятность, что вы неоднократно сталкиваетесь с одними и теми же идеями, терминами и концепциями. Некоторые из них начинают лучше узнаваться со временем, и вы, естественно, начнете понимать их, если будете достаточно повторять их. Иногда вы можете встретить идеи и определения, которые, как вам кажется, вам знакомы, но которые недостаточно натолкнулись на них, чтобы понять их. Для меня это..

Когда мы используем модель линейной регрессии, есть вероятность, что модель будет соответствовать заданному набору обучающих данных. Регуляризация помогает уменьшить переоснащение за счет штрафных коэффициентов. Во-первых, мы попытаемся понять причины переобучения в модели линейной регрессии. Модель слишком сложна Когда модель будет иметь слишком много параметров, а параметры модели имеют высокие значения, говорят, что это сложная модель. Если модель сложная, она будет иметь..

Определите количественную ошибку между прогнозируемыми и ожидаемыми значениями. Вступление В этой статье показано математическое объяснение функции стоимости линейной регрессии и принцип ее работы. В области машинного обучения линейная регрессия - важная и часто используемая концепция. Линейная регрессия - это не что иное, как создание алгоритма для прогнозирования выходных данных по непрерывному набору значений для выходных данных, когда задан обучающий набор. Итак, этот..

Прошло некоторое время с тех пор, как я начал изучать Data Science на Python, я научился писать скрипты на python (не с легкостью, со временем, с практикой). Я все время слышу об этой функции затрат и оптимизации функции затрат. Честно говоря, мне это пока не понадобилось, может и вам тоже. Вы даже можете начать строить модели, даже не зная о функции затрат. Если вы новичок, надеюсь, скоро я напишу блог о построении моделей в ML. Но не повредит иметь представление (или) своего рода обзор..

Большинство проблем машинного обучения сводятся к подгонке набора наблюдений (точек) к некоторой математической кривой (упрощенно называемой «моделью» на языке машинного обучения). Это дает сжатое представление , которое можно использовать для приложений, включая прогнозирование и распознавание образов. Процесс подбора обычно включает в себя минимизацию того, что называется функцией стоимости , которая представляет ошибку в выбранной кривой по отношению к наблюдаемым выборкам,..