Scikit Learn - Lineare Modellierung

Dieses Kapitel hilft Ihnen beim Erlernen der linearen Modellierung in Scikit-Learn. Beginnen wir mit dem Verständnis der linearen Regression in Sklearn.

In der folgenden Tabelle sind verschiedene lineare Modelle aufgeführt, die von Scikit-Learn bereitgestellt werden.

Sr.Nr. Modellbeschreibung
1

Lineare Regression

Es ist eines der besten statistischen Modelle, das die Beziehung zwischen einer abhängigen Variablen (Y) und einem bestimmten Satz unabhängiger Variablen (X) untersucht.

2

Logistische Regression

Die logistische Regression ist trotz ihres Namens eher ein Klassifizierungsalgorithmus als ein Regressionsalgorithmus. Basierend auf einem gegebenen Satz unabhängiger Variablen wird es verwendet, um einen diskreten Wert zu schätzen (0 oder 1, ja / nein, wahr / falsch).

3

Ridge Regression

Die Ridge-Regression oder Tikhonov-Regularisierung ist die Regularisierungstechnik, die die L2-Regularisierung durchführt. Es modifiziert die Verlustfunktion durch Addieren der Strafe (Schrumpfungsmenge), die dem Quadrat der Größe der Koeffizienten entspricht.

4

Bayesian Ridge Regression

Die Bayes'sche Regression ermöglicht es einem natürlichen Mechanismus, unzureichende oder schlecht verteilte Daten zu überleben, indem eine lineare Regression unter Verwendung von Wahrscheinlichkeitsverteilern anstelle von Punktschätzungen formuliert wird.

5

LASSO

LASSO ist die Regularisierungstechnik, die die L1-Regularisierung durchführt. Es modifiziert die Verlustfunktion durch Addition der Strafe (Schrumpfungsmenge), die der Summe des Absolutwerts der Koeffizienten entspricht.

6

Multitasking LASSO

Es ermöglicht die gemeinsame Anpassung mehrerer Regressionsprobleme, wodurch die ausgewählten Features für alle Regressionsprobleme, auch als Aufgaben bezeichnet, gleich sind. Sklearn bietet ein lineares Modell namens MultiTaskLasso, das mit einer gemischten L1-, L2-Norm für die Regularisierung trainiert wurde und die spärliche Koeffizienten für mehrere Regressionsprobleme gemeinsam schätzt.

7

Elastic-Net

Das Elastic-Net ist eine regulierte Regressionsmethode, die beide Strafen, dh L1 und L2 der Lasso- und Ridge-Regressionsmethoden, linear kombiniert. Dies ist nützlich, wenn mehrere korrelierte Merkmale vorhanden sind.

8

Multitasking Elastic-Net

Es handelt sich um ein Elastic-Net-Modell, mit dem mehrere Regressionsprobleme gemeinsam angepasst werden können, wobei die ausgewählten Funktionen für alle Regressionsprobleme, auch Aufgaben genannt, gleich bleiben