[PYTHON] Lernen mit einem Lehrer (Rückkehr) 1 Grundlagen

Aidemy　2020/10/28

Einführung

Hallo, es ist ja! Ich bin eine knusprige Literaturschule, aber ich war an den Möglichkeiten der KI interessiert, also ging ich zur AI-spezialisierten Schule "Aidemy", um zu studieren. Ich möchte das hier gewonnene Wissen mit Ihnen teilen und habe es in Qiita zusammengefasst. Ich freue mich sehr, dass viele Menschen den vorherigen zusammenfassenden Artikel gelesen haben. Vielen Dank! Dies ist der erste Beitrag des überwachten Lernens (Rückkehr). Freut mich, dich kennenzulernen.

• Dieser Artikel ist eine Zusammenfassung dessen, was Sie in "Aidemy" "in Ihren eigenen Worten" gelernt haben. Es kann Fehler und Missverständnisse enthalten. Bitte beachten Sie.

Was diesmal zu lernen ・ Über betreutes Lernen (Rückkehr) ・ Lineare Regressionsmethode

Betreutes Lernen (Rückkehr)

(Rückblick) Methode des maschinellen Lernens

・ Es gibt drei Methoden für maschinelles Lernen. "Lernen mit Lehrer" "Lernen ohne Lehrer" "Lernen stärken". ・ Von diesen kann überwachtes Lernen in zwei Kategorien unterteilt werden: „Klassifizierung“ und „Rückkehr“. Die diesmal erlernte Regression sagt kontinuierliche Werte wie den Aktienkurs und den Marktpreis voraus. __ __

Lineare Regression

Was ist lineare Regression?

-Lineare Regression ist __, die die Bewegung der Daten danach anhand der Formel (Grafik = linear) der bereits bekannten Daten vorhersagt. Der Graph ist zu diesem Zeitpunkt immer eine gerade Linie (lineare Funktion).

Entscheidungskoeffizient

-Der __Entscheidungskoeffizient __ gibt an, wie gut die durch lineare Regression vorhergesagten Daten und die tatsächlichen Daten übereinstimmen. -In Scikit-Learn, das für überwachtes Lernen verwendet wird, nimmt der Entscheidungskoeffizient einen Wert zwischen __0 und __ an. Man kann sagen, je größer der Wert, desto höher der Grad der Übereinstimmung.

• Verwenden Sie bei der Ausgabe des Entscheidungskoeffizienten __print (model.score (test_X, test_y)) __.

Lineare einfache Regression

-Lineare einfache Regression ist eine lineare Regression __, die aus einer Daten (x) eine vorherzusagende Daten (y) erhält. -Das heißt, es werden __a und b abgeleitet, vorausgesetzt, die Daten können durch "y = ax + b" dargestellt werden.

• Um a und b zu erraten, ist eins die Methode des minimalen Quadrats. Dies dient dazu, a und b so zu setzen, dass __ die Summe der Quadrate der Differenz zwischen dem tatsächlichen y und dem geschätzten y (dh ax + b) minimiert wird. -Der Grund, warum der Unterschied durch diese Methode quadriert wird, ist, dass es nicht notwendig ist, das Positive oder Negative der Daten zu berücksichtigen.

-Um die lineare (einzelne) Regression zu verwenden, verwenden Sie __ "model = LinearRegression ()" __.

• Führen Sie eine lineare einfache Regression aus

Lineare multiple Regression

・ __Lineare multiple Regression __ ist eine lineare Regression, bei der ein Daten (y) vorhergesagt werden soll und mehrere Daten (x1, x2 ...) __ für die Vorhersage verwendet werden. .. -Das heißt, es bezieht sich auf die Schlussfolgerung a und b, vorausgesetzt, die Daten können durch "y = a1x1 + a2x2 ... + b" dargestellt werden.

• Auch bei linearer multipler Regression wird die Vorhersage von a und b nach der Minimum-Square-Methode durchgeführt. -Auch können Sie LinearRegression () verwenden. Es wird automatisch bestimmt, ob es sich um eine einfache Regression oder eine multiple Regression handelt.

• Führen Sie eine lineare multiple Regression durch

Zusammenfassung

-Lineare Regression, bei der es sich um überwachtes Lernen (Return) handelt, sagt die Bewegung der Daten danach anhand der bereits bekannten Datenformel voraus (Grafik = linear). -Lineare Regression umfasst "lineare einfache Regression", die eine Sache vorhersagt, und "lineare multiple Regression", die mehrere Vorhersagen hat.

Diese Zeit ist vorbei. Vielen Dank für das Lesen bis zum Ende.