Identifikasi tugas regresi

Dari perspektif Machine Learning, istilah regression umumnya mencakup prediksi nilai kontinu. Secara statistik, prediksi ini adalah expected value, atau nilai rata-rata yang akan diamati untuk nilai masukan tertentu.

Manakah dari tugas berikut yang merupakan masalah regresi?

Latihan ini merupakan bagian dari kursus

Supervised Learning di R: Regresi

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Latihan ini merupakan bagian dari kursus

Supervised Learning di R: Regresi

SkillTag.level.intermediateSkillTag.label

4.7+

Mulai Kursus Gratis

Pada bab ini kita memperkenalkan konsep regresi dari sudut pandang machine learning. Kami akan menyajikan metode regresi fundamental: regresi linear. Kami akan menunjukkan cara menyesuaikan model regresi linear dan membuat prediksi dari model tersebut.

Exercise 1: Selamat Datang dan Pengantar Exercise 2: Identifikasi tugas regresi

Latihan Saat Ini

Exercise 3: Regresi linear - metode fundamental Exercise 4: Tulis kode regresi sederhana satu variabel Exercise 5: Menguji sebuah model Exercise 6: Memprediksi setelah Anda memasang model Exercise 7: Memprediksi dari model pengangguran Exercise 8: Regresi linear multivariat (Bagian 1)Exercise 9: Regresi linear multivariat (Bagian 2)Exercise 10: Merangkum regresi linear

Setelah mempelajari cara menyesuaikan model regresi linear dasar, kita akan mempelajari cara mengevaluasi kinerja model. Kita akan meninjau evaluasi model secara grafis, dan melihat dua metrik dasar untuk model regresi. Kita juga akan mempelajari cara melatih model yang akan bekerja baik di dunia nyata, bukan hanya pada data pelatihan. Meskipun kita akan mendemonstrasikan teknik-teknik ini menggunakan regresi linear, semua konsep ini berlaku untuk model yang dipasang dengan algoritma regresi apa pun.

Exercise 1: Mengevaluasi model secara grafis Exercise 2: Evaluasi model pengangguran secara grafis Exercise 3: Kurva gain untuk mengevaluasi model pengangguran Exercise 4: Root Mean Squared Error (RMSE)Exercise 5: Hitung RMSE Exercise 6: R-squared Exercise 7: Hitung R-squared Exercise 8: Korelasi dan R-squared Exercise 9: Melatih Model dengan Tepat Exercise 10: Membuat pembagian acak data train/test Exercise 11: Latih model menggunakan pemisahan test/train Exercise 12: Evaluasi model menggunakan pembagian train/test Exercise 13: Buat rencana cross validation Exercise 14: Evaluasi prosedur pemodelan menggunakan n-fold cross-validation

Sebelum melanjutkan ke teknik regresi yang lebih canggih, kita akan melihat beberapa isu pemodelan lainnya: pemodelan dengan masukan kategorikal, interaksi antar variabel, dan kapan Anda mungkin mempertimbangkan untuk mentransformasikan masukan dan keluaran sebelum pemodelan. Meskipun teknik regresi yang lebih canggih mengelola beberapa isu ini secara otomatis, penting untuk menyadarinya agar Anda memahami metode mana yang paling baik menangani berbagai isu — dan isu mana yang masih harus Anda kelola sendiri.

Exercise 1: Masukan kategorikal Exercise 2: Menelaah struktur masukan kategorikal Exercise 3: Pemodelan dengan masukan kategorikal Exercise 4: Interaksi Exercise 5: Memodelkan sebuah interaksi Exercise 6: Memodelkan interaksi (2)Exercise 7: Mentransformasikan respons sebelum pemodelan Exercise 8: Galat relatif Exercise 9: Pemodelan keluaran moneter yang ditransformasi log Exercise 10: Membandingkan RMSE dan Root-Mean-Squared Relative Error Exercise 11: Mentransformasikan input sebelum pemodelan Exercise 12: Transformasi input: "hockey stick"Exercise 13: Transformasi input: "hockey stick" (2)

Setelah menguasai model linear, kita akan mulai melihat teknik untuk memodelkan situasi yang tidak memenuhi asumsi linearitas. Ini mencakup memprediksi probabilitas dan frekuensi (nilai yang dibatasi antara 0 dan 1); memprediksi cacah (nilai bilangan bulat tak negatif, dan laju terkait); serta respons yang memiliki hubungan nonlinier tetapi aditif terhadap masukan. Algoritme ini merupakan variasi dari model linear standar.

Exercise 1: Regresi logistik untuk memprediksi probabilitas Exercise 2: Sesuaikan model probabilitas kelangsungan hidup burung gereja Exercise 3: Prediksi kelangsungan hidup burung pipit Exercise 4: Regresi Poisson dan quasipoisson untuk memprediksi cacah Exercise 5: Poisson atau quasipoisson Exercise 6: Melatih model untuk memprediksi jumlah sewa sepeda Exercise 7: Prediksi penyewaan sepeda pada data baru Exercise 8: Visualisasikan prediksi penyewaan sepeda Exercise 9: GAM untuk mempelajari transformasi nonlinier Exercise 10: Menulis rumus untuk model GAM Exercise 11: Menulis rumus untuk model GAM (2)Exercise 12: Memodelkan pertumbuhan kedelai dengan GAM Exercise 13: Memprediksi dengan model soybean pada data uji

Pada bab ini kita akan melihat algoritme pemodelan yang tidak mengasumsikan linearitas atau aditivitas, dan yang dapat mempelajari jenis interaksi terbatas di antara variabel masukan. Algoritme ini adalah metode berbasis pohon yang bekerja dengan menggabungkan ansambel pohon keputusan yang dipelajari dari data pelatihan.

Exercise 1: Intuisi di balik metode berbasis pohon Exercise 2: Memprediksi dengan decision tree Exercise 3: Random forests Exercise 4: Bangun model random forest untuk penyewaan sepeda Exercise 5: Prediksi penyewaan sepeda dengan model random forest Exercise 6: Visualisasikan prediksi model random forest untuk sepeda Exercise 7: One-Hot-Encoding Variabel Kategorikal Exercise 8: vtreat pada contoh kecil Exercise 9: Level baru (novel levels)Exercise 10: vtreat data penyewaan sepeda Exercise 11: Gradient boosting machines Exercise 12: Temukan jumlah pohon yang tepat untuk gradient boosting machine Exercise 13: Melatih model xgboost untuk penyewaan sepeda dan melakukan prediksi Exercise 14: Evaluasi model penyewaan sepeda xgboost Exercise 15: Visualisasikan model penyewaan sepeda xgboost