تصویری: رگرسیون ML چیست؟
2024 نویسنده: Lynn Donovan | [email protected]. آخرین اصلاح شده: 2023-12-15 23:46
پسرفت هست یک ML الگوریتمی که می تواند برای پیش بینی خروجی های اعداد واقعی آموزش داده شود. مانند دما، قیمت سهام و غیره پسرفت بر اساس فرضیه ای است که می تواند خطی، درجه دوم، چند جمله ای، غیر خطی و غیره باشد. فرضیه تابعی است که بر اساس برخی پارامترهای پنهان و مقادیر ورودی است.
متعاقباً، ممکن است سؤال شود که رگرسیون در یادگیری ماشین با مثال چیست؟
پسرفت مدل ها برای پیش بینی یک مقدار پیوسته استفاده می شوند. پیش بینی قیمت خانه با توجه به ویژگی های خانه مانند متراژ، قیمت و غیره یکی از موارد رایج است مثال ها از پسرفت . این یک تکنیک تحت نظارت است.
دوم اینکه آیا رگرسیون یک یادگیری ماشینی است؟ تجزیه و تحلیل رگرسیون شامل مجموعه ای از فراگیری ماشین روش هایی که به ما امکان می دهند یک متغیر نتیجه پیوسته (y) را بر اساس مقدار یک یا چند متغیر پیش بینی کننده (x) پیش بینی کنیم. به طور خلاصه، هدف از پسرفت مدل ساختن یک معادله ریاضی است که y را تابعی از متغیرهای x تعریف می کند.
با توجه به این موضوع، طبقه بندی ML چیست؟
در یادگیری ماشینی و آمار، طبقه بندی مشکل تشخیص اینکه یک مشاهده جدید به کدام یک از مجموعهای از دستهها (زیرجمعیتها) تعلق دارد، بر اساس مجموعهای آموزشی از دادههایی که حاوی مشاهدات (یا نمونههایی) است که عضویت در دسته آنها مشخص است.
تفاوت بین طبقه بندی و رگرسیون چیست؟
پسرفت و طبقه بندی تحت همان چتر یادگیری ماشینی نظارت شده طبقه بندی می شوند. اصلی تفاوت بین آنها این است که متغیر خروجی در پسرفت عددی (یا پیوسته) است در حالی که برای طبقه بندی مقوله ای (یا گسسته) است.
توصیه شده:
رگرسیون خطی منظم چیست؟
منظم سازی. این شکلی از رگرسیون است که تخمین ضرایب را به سمت صفر محدود می کند/قانونی می کند یا کوچک می کند. به عبارت دیگر، این تکنیک از یادگیری یک مدل پیچیده تر یا انعطاف پذیرتر جلوگیری می کند تا از خطر بیش از حد برازش جلوگیری شود. یک رابطه ساده برای رگرسیون خطی به این صورت است
آیا می توانید رگرسیون را در تابلو انجام دهید؟
رگرسیون خطی روشی برای نشان دادن رابطه بین یک متغیر وابسته (y) و یک یا چند متغیر توضیحی (x) است. بنابراین، برای محاسبه رگرسیون خطی در Tableau ابتدا باید شیب و قطع y را محاسبه کنید
روش درخت رگرسیون چیست؟
روش ساخت درخت رگرسیون عمومی به متغیرهای ورودی اجازه می دهد تا مخلوطی از متغیرهای پیوسته و طبقه ای باشند. درخت رگرسیون ممکن است به عنوان گونهای از درختهای تصمیم در نظر گرفته شود که بهجای استفاده برای روشهای طبقهبندی، برای تقریب توابع با ارزش واقعی طراحی شده است
مشکل رگرسیون در یادگیری ماشین چیست؟
مشکل رگرسیون زمانی است که متغیر خروجی یک مقدار واقعی یا پیوسته است، مانند "حقوق" یا "وزن". بسیاری از مدل های مختلف را می توان استفاده کرد، ساده ترین آنها رگرسیون خطی است. سعی می کند داده ها را با بهترین هایپر صفحه ای که از نقاط عبور می کند مطابقت دهد
تحلیل درخت رگرسیون چیست؟
تجزیه و تحلیل درخت رگرسیون زمانی است که می توان نتیجه پیش بینی شده را یک عدد واقعی در نظر گرفت (به عنوان مثال قیمت یک خانه، یا مدت اقامت بیمار در بیمارستان)