[PYTHON] Kann maschinelles Lernen parallele Vierecke vorhersagen? (2) Was passiert, wenn ein externes eingefügt wird, obwohl es wie ein internes Einfügen aussieht? ??

Vorheriger Artikel Kann maschinelles Lernen parallele Vierecke vorhersagen? (1) Kann es extern eingefügt werden?

Ich dachte, ich hätte den vorherigen Artikel geschrieben, aber ich habe nicht viel Programmiertechnik geschrieben. Da es jedoch von Pyhton berechnet wird, wird das Tag auf Python gesetzt. Viele Leute lernen Maschinen mit Python, also ist es in Ordnung, in Qiita zu posten, nicht wahr? .. .. Diese Berechnung erfolgt mit scikit-learn.

Nun, im vorherigen Artikel habe ich festgestellt, dass eine Extrapolation nicht möglich ist. Was ist also mit den folgenden Problemen?

Frage 3: Ist es möglich, in der Zwischenzeit mit kleinen und großen Werten zu lernen und Vorhersagen zu treffen?

Es ist eine einfache Sache. Ist es möglich, die Länge a der Basis von 0 bis 50 und 1000 bis 1100 vorherzusagen und in der Zwischenzeit 150 bis 900 vorherzusagen?

Lasso für die lineare Regression ist wahrscheinlich vorhersehbar. Aber was ist mit zufälligen Wäldern und neuronalen Netzen? Mit diesem Datensatz frage ich mich, ob ich von 0 bis 1100 vorhersagen kann. Tatsächliche Daten scheinen ein solches Beispiel zu haben.

Das Ergebnis. Zunächst der Bestimmungskoeffizient und die Grafik des Lernergebnisses.

Lasso Zufälliger Wald neurales Netzwerk Der Wert der Basis a wird auf einen kleinen Wert und einen großen Wert gesetzt, aber da b und der Winkel c zufällig erzeugt werden, scheint die Flächenfläche der Fläche verbunden zu sein.

Wenn ich mir die Diagramme anschaue, weiß ich nicht, warum die beiden Ausreißer des zufälligen Waldes herausgekommen sind, aber wenn ich mir diese Diagramme und den Entscheidungsfaktor ansehe, habe ich das Gefühl, dass ich Lasso und den zufälligen Wald nicht auswählen muss. Das beste! Das beste neuronale Netz! ist was ich denke.

Was passiert also, wenn Sie den Wert vorhersagen, während Sie an der Basis a lernen? ist. Schauen wir uns vorerst die Grafik an. Lasso Zufälliger Wald neurales Netzwerk

Ich habe den numerischen Wert der Basis a während des Lernens eingegeben, aber das neuronale Netzwerk ist völlig nutzlos. In Anbetracht dessen ist es gefährlich, die Regression beim Deep Learning vorherzusagen, es sei denn, sie wird durch interne Einfügung vorhergesagt. Zufälliger Wald auch. Es ist notwendig, die internen und externen Einfügungen fest zu identifizieren.

Wie Sie sehen können, kann Lasso mit engen Werten vorhersagen. Wenn das Risiko einer Extrapolation besteht, kann eine lineare Regression eine gute Wahl sein.

Fazit

Hören wir auf, die Extrapolation mit maschinellem Lernen vorherzusagen. Besonderes Augenmerk sollte auf das externe Einsetzen gelegt werden, das wie das interne Einsetzen aussieht. Wenn Sie glauben, dass Sie in kurzer Zeit eine Extrapolation vorhersagen, nehmen Sie an, dass diese linear ist, und geben Sie Ihr Bestes mit linearer Regression.

Es kann sein, dass.

Als nächstes betrachten wir das Deskriptordesign.