ScikitLearn-線形モデリング

この章は、Scikit-Learnの線形モデリングについて学習するのに役立ちます。Sklearnの線形回帰とは何かを理解することから始めましょう。

次の表に、Scikit-Learn-が提供するさまざまな線形モデルを示します。

シニア番号 モデルと説明
1

線形回帰

これは、従属変数(Y)と特定の独立変数のセット(X)との関係を研究する最良の統計モデルの1つです。

2

ロジスティック回帰

ロジスティック回帰は、その名前にもかかわらず、回帰アルゴリズムではなく分類アルゴリズムです。与えられた独立変数のセットに基づいて、離散値(0または1、yes / no、true / false)を推定するために使用されます。

3

リッジ回帰

リッジ回帰またはTikhonov正則化は、L2正則化を実行する正則化手法です。係数の大きさの2乗に相当するペナルティ(収縮量)を追加することにより、損失関数を変更します。

4

ベイジアンリッジ回帰

ベイズ回帰は、点推定ではなく確率分布を使用して線形回帰を定式化することにより、不十分なデータまたは不十分に分散されたデータを生き残るための自然なメカニズムを可能にします。

5

LASSO

LASSOは、L1正則化を実行する正則化手法です。係数の絶対値の合計に相当するペナルティ(収縮量)を追加することにより、損失関数を変更します。

6

マルチタスクLASSO

これにより、複数の回帰問題をまとめて適合させ、選択した機能をすべての回帰問題で同じにすることができます。これはタスクとも呼ばれます。Sklearnは、MultiTaskLassoという名前の線形モデルを提供し、正則化のために混合L1、L2ノルムでトレーニングされ、複数の回帰問題のスパース係数を共同で推定します。

7

Elastic-Net

Elastic-Netは、両方のペナルティ、つまりラッソ回帰法とリッジ回帰法のL1とL2を線形に組み合わせる正則化回帰法です。複数の相関する特徴がある場合に役立ちます。

8

マルチタスクElastic-Net

これはElastic-Netモデルであり、複数の回帰問題をまとめて適合させ、選択した機能をすべての回帰問題で同じにすることを可能にします。これはタスクとも呼ばれます。