Scikit Learn-선형 모델링
이 장은 Scikit-Learn의 선형 모델링에 대해 배우는 데 도움이 될 것입니다. Sklearn에서 선형 회귀가 무엇인지 이해하는 것으로 시작하겠습니다.
다음 표는 Scikit-Learn에서 제공하는 다양한 선형 모델을 나열합니다.
| Sr. 아니요 | 모델 및 설명 |
|---|---|
| 1 | 선형 회귀 주어진 독립 변수 세트 (X)와 종속 변수 (Y) 간의 관계를 연구하는 최고의 통계 모델 중 하나입니다. |
| 2 | 로지스틱 회귀 로지스틱 회귀는 이름에도 불구하고 회귀 알고리즘이 아닌 분류 알고리즘입니다. 주어진 독립 변수 세트를 기반으로 이산 값 (0 또는 1, 예 / 아니오, 참 / 거짓)을 추정하는 데 사용됩니다. |
| 삼 | 릿지 회귀 Ridge 회귀 또는 Tikhonov 정규화는 L2 정규화를 수행하는 정규화 기술입니다. 계수 크기의 제곱에 해당하는 패널티 (수축량)를 추가하여 손실 함수를 수정합니다. |
| 4 | 베이지안 능선 회귀 베이지안 회귀는 점 추정이 아닌 확률 분포를 사용하여 선형 회귀를 공식화함으로써 불충분 한 데이터 또는 불충분하게 분산 된 데이터에서 자연스러운 메커니즘을 유지하도록합니다. |
| 5 | 올가미 LASSO는 L1 정규화를 수행하는 정규화 기술입니다. 계수 절대 값의 합에 해당하는 패널티 (수축량)를 추가하여 손실 함수를 수정합니다. |
| 6 | 멀티 태스킹 LASSO 작업이라고도하는 모든 회귀 문제에 대해 선택한 기능을 동일하게 적용하여 여러 회귀 문제에 맞출 수 있습니다. Sklearn은 다중 회귀 문제에 대한 희소 계수를 공동으로 추정하는 정규화를 위해 혼합 L1, L2- 노름으로 훈련 된 MultiTaskLasso라는 선형 모델을 제공합니다. |
| 7 | Elastic-Net Elastic-Net은 Lasso 및 Ridge 회귀 방법의 L1 및 L2와 같은 두 패널티를 선형 적으로 결합하는 정규화 된 회귀 방법입니다. 상관 된 기능이 여러 개있을 때 유용합니다. |
| 8 | 멀티 태스킹 Elastic-Net 여러 회귀 문제에 맞출 수있는 Elastic-Net 모델로, 선택한 기능이 모든 회귀 문제 (작업이라고도 함)에 대해 동일하도록 공동 적용합니다. |