Regression görevlerini belirle

Machine Learning açısından, regression terimi genelde sürekli değerlerin tahminini kapsar. İstatistiksel olarak bu tahminler, verilen girdi değerleri için gözlenecek beklenen değer ya da ortalama değerdir.

Aşağıdaki görevlerden hangileri regression problemidir?

Bu egzersiz, kursun bir parçasıdır

R'de Supervised Learning: Regresyon

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

R'de Supervised Learning: Regresyon

IntermediárioNível de habilidade

4.7+

Kursa Ücretsiz Başla

Bu bölümde, regresyon kavramını bir Machine Learning bakış açısıyla tanıtıyoruz. Temel regresyon yöntemi olan doğrusal regresyonu sunacağız. Doğrusal bir regresyon modelini nasıl uyduracağını ve modelden nasıl tahmin yapacağını göstereceğiz.

Exercise 1: Hoş geldin ve Giriş Exercise 2: Regression görevlerini belirle

Geçerli egzersiz

Exercise 3: Doğrusal regresyon - temel yöntem Exercise 4: Basit tek değişkenli bir regresyon kodla Exercise 5: Bir modeli incelemek Exercise 6: Bir modeli oturttuktan sonra tahmin yapmak Exercise 7: İşsizlik modelinden tahmin yapmak Exercise 8: Çok değişkenli doğrusal regresyon (Bölüm 1)Exercise 9: Çok değişkenli doğrusal regresyon (Bölüm 2)Exercise 10: Doğrusal regresyonu toparlayalım

Artık temel doğrusal regresyon modellerini nasıl uyduracağımızı öğrendiğimize göre, modellerimizin ne kadar iyi performans gösterdiğini değerlendirmeyi öğreneceğiz. Bir modeli görsel olarak değerlendirmeyi gözden geçirecek ve regresyon modelleri için iki temel ölçüte bakacağız. Ayrıca yalnızca eğitim verilerinde değil, gerçek dünyada da iyi performans gösterecek bir modeli nasıl eğiteceğini öğreneceğiz. Bu teknikleri doğrusal regresyonla gösterecek olsak da, bu kavramların tümü herhangi bir regresyon algoritmasıyla uydurulan modellere uygulanır.

Exercise 1: Bir modeli grafiksel olarak değerlendirme Exercise 2: İşsizlik modelini grafiksel olarak değerlendir Exercise 3: İşsizlik modelini değerlendirmek için gain eğrisi Exercise 4: Kök Ortalama Kare Hata (RMSE)Exercise 5: RMSE'yi hesapla Exercise 6: R-kare Exercise 7: R-squared'ı hesapla Exercise 8: Korelasyon ve R-kare Exercise 9: Bir Modeli Doğru Şekilde Eğitmek Exercise 10: Rastgele bir test/eğitim bölmesi oluşturma Exercise 11: Test/eğitim bölmesiyle bir model eğit Exercise 12: Test/eğitim ayrımıyla bir modeli değerlendir Exercise 13: Bir çapraz doğrulama planı oluştur Exercise 14: n-fold çapraz doğrulama ile bir modelleme prosedürünü değerlendir

Daha gelişmiş regresyon tekniklerine geçmeden önce, başka bazı modelleme konularına bakacağız: kategorik girdilerle modelleme, değişkenler arası etkileşimler ve modellemeden önce girdileri ve çıktıları ne zaman dönüştürmeyi düşünebileceğin. Daha gelişmiş regresyon teknikleri bu konuların bazılarını otomatik olarak yönetse de, çeşitli sorunları hangi yöntemlerin en iyi şekilde ele aldığını — ve hangilerini hâlâ kendin yönetmen gerektiğini — anlamak için bunların farkında olmak önemlidir.

Exercise 1: Kategorik girdiler Exercise 2: Kategorik girdilerin yapısını inceleme Exercise 3: Kategorik girdilerle modelleme Exercise 4: Etkileşimler Exercise 5: Bir etkileşimi modelleme Exercise 6: Etkileşimi modelleme (2)Exercise 7: Modellemeden önce yanıtı dönüştürme Exercise 8: Bağıl hata Exercise 9: Log-dönüşümlü parasal çıktıyı modelleme Exercise 10: RMSE ve kök-ortalama-karesel Bağıl Hatanın karşılaştırılması Exercise 11: Modellemeden önce girdileri dönüştürme Exercise 12: Girdi dönüşümleri: "hokey sopası"Exercise 13: Girdi dönüşümleri: "hockey stick" (2)

Artık doğrusal modelleri öğrendiğimize göre, doğrusal kabulünü karşılamayan durumları modellemek için tekniklere bakmaya başlayacağız. Buna olasılıkları ve frekansları (0 ile 1 arasında sınırlı değerler) tahmin etmek; sayımları (negatif olmayan tamsayı değerleri ve ilişkili oranlar) tahmin etmek; ve girdilerle doğrusal olmayan ancak toplanabilir bir ilişkiye sahip yanıtlar dahildir. Bu algoritmalar, standart doğrusal modelin varyasyonlarıdır.

Exercise 1: Olasılıkları tahmin etmek için lojistik regresyon Exercise 2: Serçenin hayatta kalma olasılığı için bir model kur Exercise 3: Serçelerin hayatta kalmasını tahmin et Exercise 4: Sayımları tahmin etmek için Poisson ve quasipoisson regresyonu Exercise 5: Poisson mı quasipoisson mı Exercise 6: Bisiklet kiralama sayılarını tahmin etmek için bir model kur Exercise 7: Yeni verilerde bisiklet kiralamalarını tahmin et Exercise 8: Bisiklet kiralama tahminlerini görselleştir Exercise 9: Doğrusal olmayan dönüşümleri öğrenmek için GAM Exercise 10: GAM modelleri için formül yazma Exercise 11: GAM modelleri için formül yazma (2)Exercise 12: GAM ile soya büyümesini modelle Exercise 13: Soya fasulyesi modeliyle test verisinde tahmin yap

Bu bölümde, doğrusallık veya toplamsallık varsaymayan ve girdi değişkenleri arasında sınırlı türde etkileşimleri öğrenebilen modelleme algoritmalarına bakacağız. Bu algoritmalar, eğitim verilerinden öğrenilen birden çok karar ağacının bir araya getirilmesiyle çalışan ağaç tabanlı yöntemlerdir.

Exercise 1: Ağaç tabanlı yöntemlerin ardındaki sezgi Exercise 2: Karar ağacıyla tahmin yapma Exercise 3: Random forests Exercise 4: Bisiklet kiralamaları için bir random forest modeli kur Exercise 5: Rasgele orman modeliyle bisiklet kiralamalarını tahmin et Exercise 6: Rastgele orman bisiklet modelinin tahminlerini görselleştir Exercise 7: Kategorik Değişkenlerin One-Hot Encoding'i Exercise 8: Küçük bir örnekte vtreat Exercise 9: Yeni seviyeler Exercise 10: Bisiklet kiralama verilerine vtreat uygulama Exercise 11: Gradient boosting makineleri Exercise 12: Gradient boosting machine için doğru ağaç sayısını bul Exercise 13: Bir xgboost bisiklet kiralama modeli kur ve tahmin yap Exercise 14: xgboost bisiklet kiralama modelini değerlendir Exercise 15: xgboost bisiklet kiralama modelini görselleştir