Scikit Learn - การสร้างแบบจำลองเชิงเส้น

บทนี้จะช่วยคุณในการเรียนรู้เกี่ยวกับการสร้างแบบจำลองเชิงเส้นใน Scikit-Learn ให้เราเริ่มต้นด้วยการทำความเข้าใจว่าอะไรคือการถดถอยเชิงเส้นใน Sklearn

ตารางต่อไปนี้แสดงรายการแบบจำลองเชิงเส้นต่างๆที่จัดทำโดย Scikit-Learn -

ซีเนียร์ No รุ่นและคำอธิบาย
1

การถดถอยเชิงเส้น

เป็นหนึ่งในแบบจำลองทางสถิติที่ดีที่สุดที่ศึกษาความสัมพันธ์ระหว่างตัวแปรตาม (Y) กับชุดตัวแปรอิสระ (X) ที่กำหนด

2

การถดถอยโลจิสติก

การถดถอยโลจิสติกแม้จะมีชื่อเป็นอัลกอริทึมการจำแนกประเภทมากกว่าอัลกอริทึมการถดถอย ขึ้นอยู่กับชุดของตัวแปรอิสระที่กำหนดใช้ในการประมาณค่าที่ไม่ต่อเนื่อง (0 หรือ 1 ใช่ / ไม่ใช่จริง / เท็จ)

3

การถดถอยสัน

การถดถอยสันเขาหรือการทำให้เป็นมาตรฐาน Tikhonov เป็นเทคนิคการทำให้เป็นมาตรฐานที่ดำเนินการทำให้เป็นมาตรฐาน L2 มันปรับเปลี่ยนฟังก์ชันการสูญเสียโดยการเพิ่มโทษ (ปริมาณการหดตัว) ที่เทียบเท่ากับกำลังสองของขนาดของสัมประสิทธิ์

4

Bayesian Ridge Regression

การถดถอยแบบเบย์ช่วยให้กลไกทางธรรมชาติสามารถอยู่รอดได้ข้อมูลไม่เพียงพอหรือข้อมูลที่มีการกระจายตัวไม่ดีโดยการสร้างการถดถอยเชิงเส้นโดยใช้ตัวกระจายความน่าจะเป็นมากกว่าการประมาณแบบจุด

5

LASSO

LASSO เป็นเทคนิคการทำให้เป็นมาตรฐานที่ดำเนินการทำให้เป็นมาตรฐาน L1 มันปรับเปลี่ยนฟังก์ชันการสูญเสียโดยการเพิ่มโทษ (ปริมาณการหดตัว) ที่เทียบเท่ากับผลรวมของค่าสัมประสิทธิ์ค่าสัมบูรณ์

6

LASSO แบบหลายงาน

ช่วยให้พอดีกับปัญหาการถดถอยพหุคูณร่วมกันบังคับใช้คุณสมบัติที่เลือกให้เหมือนกันสำหรับปัญหาการถดถอยทั้งหมดหรือที่เรียกว่างาน Sklearn นำเสนอแบบจำลองเชิงเส้นที่ชื่อว่า MultiTaskLasso ซึ่งได้รับการฝึกฝนด้วย L1 ผสม L2-norm สำหรับการทำให้เป็นมาตรฐานซึ่งจะประมาณค่าสัมประสิทธิ์เบาบางสำหรับปัญหาการถดถอยพหุคูณร่วมกัน

7

ยืดหยุ่น - สุทธิ

Elastic-Net เป็นวิธีการถดถอยแบบปกติที่รวมการลงโทษทั้งสองแบบเชิงเส้นเช่น L1 และ L2 ของวิธีการถดถอย Lasso และ Ridge จะมีประโยชน์เมื่อมีคุณสมบัติที่สัมพันธ์กันหลายอย่าง

8

Multi-task Elastic-Net

เป็นแบบจำลอง Elastic-Net ที่ช่วยให้สามารถแก้ไขปัญหาการถดถอยพหุคูณร่วมกันบังคับใช้คุณลักษณะที่เลือกให้เหมือนกันสำหรับปัญหาการถดถอยทั้งหมดหรือที่เรียกว่างาน