Shrnutí
Dokončili jsme úvod do klasifikace, takže pojďme znovu shrnout některé klíčové body.
Viděli jsme, že klasifikace má hodně společného s klasickou regresí. V obou případech můžeme k odhadu skutečného výkonu použít učení pod dohledem, nákladovou funkci a pomocí testovacích a trénovaných datových sad. Zaměřili jsme se zde na logistickou regresi, což je téměř hybridní mezi těmito dvěma typy modelu, a ukázali jsme, jak prahová hodnota výstupu poskytuje kategorický popisek, například avalanche/no-avalanche.
Probrali jsme, jak může být posouzení klasifikačních modelů o něco obtížnější než u regresních modelů, zejména proto, že související nákladové funkce jsou často neintuitivní.
Prozkoumali jsme také, jak by přidání a kombinování funkcí mohlo vést k podstatným vylepšením modelu. Důležité je, že jsme ukázali, jak opravdu přemýšlíte o tom, co znamenají vaše data, klíčem k dosažení nejlepšího výsledku.
V tomto modulu jsme pracovali s logistickou regresí. Mějte ale na paměti, že většina témat, které jsme zde probrali, platí i pro mnoho dalších typů klasifikačních modelů. Zahrnutí modelů, které se snaží předpovědět více než dvě možné kategorie.