Модели машинного обучения
1. Модели машинного обучения можно разделить на следующие две категории на основе алгоритма обучения:
- Метод контролируемого обучения. Для построения модели доступны прошлые данные с ярлыками.
- Регрессия. Выходная переменная по своей природе непрерывна.
- Классификация. Выходная переменная является категориальной по своей природе.
- Метод обучения без учителя. Прошлые данные с ярлыками недоступны.
- Кластеризация. Не существует предопределенного понятия ярлыков.
Прошлый набор данных разделен на две части в методе контролируемого обучения:
- Обучающие данные используются для обучения модели во время моделирования.
- Данные тестирования используются обученной моделью для прогнозирования и оценки модели.
- Модели линейной регрессии можно разделить на два типа в зависимости от количества независимых переменных:
- Простая линейная регрессия. Используется, когда число независимых переменных равно 1.
- Множественная линейная регрессия: используется, когда количество независимых переменных больше 1.
- Уравнение наиболее подходящей линии регрессии Y = β₀ + β₁X можно найти путем минимизации функции стоимости (в данном случае RSS с использованием обычного метода наименьших квадратов), которая выполняется с использованием следующих двух методов:
- Дифференциация
- Градиентный спуск
- Сила модели линейной регрессии в основном объясняется R², гдеR² = 1 — (RSS/TSS).
- RSS: Остаточная сумма квадратов
- TSS: общая сумма квадратов
- RSE помогает измерить несоответствие модели заданным данным. Близость рассчитанных коэффициентов регрессии к истинным можно оценить с помощью RSE. Это связано с RSS по формуле: RSE=√RSSdf, где df=n−2, а n — количество точек данных.