|
Regressya modellari Simple Linear Regression. Va uning ishlashi
|
| bet | 4/10 | | Sana | 26.04.2023 | | Hajmi | 237.88 Kb. | | #53913 |
Bog'liq machine learing exam Temir yol tr menejm DARSLIK (1), 1111111111, Nazorat ishi, flyer, HOZIRGI 0‘ZBEK ADABIY TILI, Shablonbek, ., 12 Восстановлен автовосстановление 87Regressya modellari Simple Linear Regression. Va uning ishlashi.
Regressiya bu – ma’lumotlarni intellektual tahlil qilish usullaridan
biri bo’lib, obyekt yoki jarayonga tegishli o'zgaruvchilar o'rtasidagi
o'zaro bog'liqlikni baholash uchun statistik jarayonlar to'plami
hisoblanadi.
Regressiya va uning turlari. Regressiya asosida yaratiladigan model ma'lumotlarni berilgan nuqtalardan o'tgan eng yaxshi giper tekislikka (nuqtalar o’rtasidan o’tishiga) moslashtirishga harakat qiladi. Regression tahlilda turli xil modellardan foydalanish mumkin, eng sodda model chiziqli regressiya asosida quriladi.
Oddiy chiziqli regressiya ikki miqdoriy o'zgaruvchi o'rtasidagi munosabatni baholash uchun ishlatiladi . Siz bilishni xohlaganingizda oddiy chiziqli regressiyadan foydalanishingiz mumkin:
Ikki oʻzgaruvchi oʻrtasidagi bogʻliqlik qanchalik kuchli (masalan, yogʻingarchilik va tuproq eroziyasi oʻrtasidagi bogʻliqlik).
Mustaqil o'zgaruvchining ma'lum bir qiymatidagi bog'liq o'zgaruvchining qiymati (masalan, yog'ingarchilikning ma'lum darajasidagi tuproq eroziyasining miqdori).
Regressiya modellari kuzatilgan ma'lumotlarga chiziq qo'yish orqali o'zgaruvchilar o'rtasidagi munosabatni tavsiflaydi. Chiziqli regressiya modellari to'g'ri chiziqdan, logistik va chiziqli bo'lmagan regressiya modellarida esa egri chiziqdan foydalaniladi. Regressiya mustaqil o'zgaruvchi(lar)ning o'zgarishi bilan bog'liq o'zgaruvchining qanday o'zgarishini taxmin qilish imkonini beradi.
Semi-supervised learning algoritmlari ishlash tamoyili?
Yarim nazorat ostida o'qitish nima?
Yarim nazorat ostida o'qitish - bu yorliqli va yorliqsiz ma'lumotlardan foydalanadigan mashinani o'rganish usullarining keng toifasi; shu tarzda, nomidan ko'rinib turibdiki, bu nazorat ostida va nazoratsiz o'rganish o'rtasidagi gibrid texnikadir.
Umuman olganda, yarim nazoratning asosiy g'oyasi ma'lumotlar nuqtasiga uning yorlig'i bor yoki yo'qligiga qarab boshqacha munosabatda bo'lishdir: etiketli nuqtalar uchun algoritm model og'irliklarini yangilash uchun an'anaviy nazoratdan foydalanadi; va etiketlanmagan nuqtalar uchun algoritm boshqa shunga o'xshash ta'lim misollari orasidagi bashoratlardagi farqni minimallashtiradi.
Nazorat ostidagi treninglar bashorat va teglar oʻrtasidagi oʻrtacha farqni minimallashtirish uchun model ogʻirliklarini yangilaydi. Biroq, cheklangan yorliqli ma'lumotlar bilan, bu belgilangan nuqtalar uchun amal qiladigan qaror chegarasini topishi mumkin, ammo butun taqsimot uchun umumlashtirilmaydi (quyidagi
Boshqa tomondan, nazoratsiz o'rganish, ba'zi bir xususiyat-makondagi o'xshashliklarga asoslanib, nuqtalarni birlashtirishga harakat qiladi. Ammo, ta'limga yo'naltirish uchun teglarsiz, nazoratsiz algoritm sub-optimal klasterlarni topishi mumkin. Masalan, 2b-rasmda topilgan klasterlar haqiqiy sinf taqsimotiga noto'g'ri mos keladi.
Belgilanmagan ma'lumotlar nuqtalari kontekstni ta'minlaydi; modelimizni iloji boricha ko'proq ma'lumotlarga ochib berish orqali biz butun taqsimotning shaklini aniq baholashimiz mumkin.
Ikkala qism - etiketli va yorliqsiz ma'lumotlar bilan biz aniqroq va bardoshli modellarni o'rgatishimiz mumkin. Bizning oylar ma'lumotlar to'plamida yarim nazorat ostidagi mashg'ulotlar
|
| |
