Scikit Learn - Modellazione lineare
Questo capitolo ti aiuterà ad apprendere la modellazione lineare in Scikit-Learn. Cominciamo col comprendere cos'è la regressione lineare in Sklearn.
La tabella seguente elenca i vari modelli lineari forniti da Scikit-Learn -
| Suor n | Descrizione del Modello |
|---|---|
| 1 | Regressione lineare È uno dei migliori modelli statistici che studia la relazione tra una variabile dipendente (Y) con un dato insieme di variabili indipendenti (X). |
| 2 | Regressione logistica La regressione logistica, nonostante il nome, è un algoritmo di classificazione piuttosto che un algoritmo di regressione. Basato su un dato insieme di variabili indipendenti, viene utilizzato per stimare il valore discreto (0 o 1, sì / no, vero / falso). |
| 3 | Regressione della cresta La regressione della cresta o regolarizzazione di Tikhonov è la tecnica di regolarizzazione che esegue la regolarizzazione L2. Modifica la funzione di perdita aggiungendo la penalità (quantità di ritiro) equivalente al quadrato della grandezza dei coefficienti. |
| 4 | Regressione bayesiana della cresta La regressione bayesiana consente a un meccanismo naturale di sopravvivere a dati insufficienti o dati distribuiti male, formulando la regressione lineare utilizzando distributori di probabilità piuttosto che stime puntuali. |
| 5 | LASSO LASSO è la tecnica di regolarizzazione che esegue la regolarizzazione L1. Modifica la funzione di perdita aggiungendo la penalità (quantità di ritiro) equivalente alla somma del valore assoluto dei coefficienti. |
| 6 | Multi-task LASSO Permette di adattare più problemi di regressione imponendo congiuntamente che le caratteristiche selezionate siano le stesse per tutti i problemi di regressione, chiamati anche task. Sklearn fornisce un modello lineare denominato MultiTaskLasso, addestrato con una norma mista L1, L2 per la regolarizzazione, che stima i coefficienti sparsi per più problemi di regressione congiuntamente. |
| 7 | Rete elastica Elastic-Net è un metodo di regressione regolarizzato che combina linearmente entrambe le penalità, ovvero L1 e L2 dei metodi di regressione Lazo e Ridge. È utile quando sono presenti più funzionalità correlate. |
| 8 | Rete elastica multi-task Si tratta di un modello Elastic-Net che permette di adattare più problemi di regressione congiuntamente imponendo che le caratteristiche selezionate siano le stesse per tutti i problemi di regressione, chiamati anche task |