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 |