ML-For-Beginners/2-Regression/translations

Модели регрессии для машинного обучения

Региональная тема: модели регрессии для цен на тыкву в Северной Америке 🎃

В Северной Америке на Хэллоуин из тыкв часто вырезают страшные лица. Давайте узнаем больше об этих очаровательных овощах!

Фото Бет Тойчманн на Unsplash

Что вы узнаете

🎥 Нажмите на изображение выше, чтобы посмотреть короткое вводное видео по этому уроку

Уроки в этом разделе охватывают типы регрессии в контексте машинного обучения. Модели регрессии могут помочь определить отношения между переменными. Этот тип моделей может предсказывать такие значения, как длина, температура или возраст, тем самым выявляя взаимосвязи между переменными анализируя точки данных.

В этой серии уроков вы узнаете разницу между линейной и логистической регрессией, а также когда вам следует использовать ту или иную модель.

В этой группе уроков вы будете подготовлены, чтобы приступить к задачам машинного обучения, включая настройку Visual Studio Code для управления записными книжками, распространенным иструментом среди специалистов по данным. Вы откроете для себя scikit-learn, библиотеку для машинного обучения, и создадите свои первые модели, фокусируясь на регрессии в этой главе.

Существуют инструменты, не требующие написания большого количества кода, которые могут помочь вам узнать о моделях регрессии. Попробуйте Azure ML для этой задачи.

Уроки

1. Инструменты специалиста
2. Управление данными
3. Линейная и полиномиальная регрессия
4. Логистическая регрессия

---

Благодарности

«Модели регрессии для машинного обучения» были написаны с ♥ ️Джен Лупер

♥ ️Вклад в создание контрольных вопросов внесли: Мухаммад Сакиб Хан Инан и Орнелла Алтунян

Набор данных по ценам на тыкву используется в этом проекте на Kaggle, и данные для него взяты из Стандартных отчетов ярмарок специальных культур, которые распространяются Министерством сельского хозяйства США. Мы добавили несколько точек для цвета на основе разнообразия, чтобы нормализовать распределение. Эти данные находятся в открытом доступе.