Tutustu uusiin regressiomalleihin
Osiossa 2 tarkastelimme suoran viivan asentamista arvopisteiin. Regressio voi kuitenkin sopia monenlaisiin suhteisiin, kuten niihin, joilla on useita tekijöitä, ja niihin, joissa yhden tekijän tärkeys riippuu toisesta tekijästä.
Mallien kokeileminen
Regressiomalleja valitaan usein, koska ne toimivat pienten tietomallien kanssa, ovat tehokkaita ja helppoja tulkita ja niillä on erilaisia malleja.
lineaarista regressiota on yksinkertaisin regression muoto, eikä käytettyjen ominaisuuksien määrää ole rajoitettu. Lineaarinen regressio on monessa muodossa, ja sitä kutsutaan usein käytettävien ominaisuuksien määrän ja siihen sopivan käyrän muodon mukaan.
Päätöspuiden ryhtyä vaiheittaiseen lähestymistapaan muuttujan ennustamiseksi. Jos ajattelemme polkupyöräesimerkkiämme, päätöspuu saattaa olla ensimmäinen jaettu esimerkki niistä, jotka ovat kevään/kesän ja syksyn/talven aikana, tee ennuste viikonpäivän perusteella. Kevään/Summer-Monday hinta voi olla 100 per päivä, kun taas syksyn/Winter-Monday vuokrahinta voi olla 20 per päivä.
yhdistelmäalgoritmit rakentaa yhden päätöspuun lisäksi suuren määrän puita, mikä mahdollistaa paremmat ennusteet monimutkaisemmista tiedoista. Yhdistelmäalgoritmeja, kuten Random Forestia, käytetään laajalti koneoppimisessa ja datatieteessä niiden vahvojen ennustekykyjen vuoksi.
Tietotutkijat kokeilevat usein eri mallien käyttämistä. Seuraavassa harjoituksessa kokeilemme erityyppisiä malleja vertaillaksemme sitä, miten ne suoriutuvat samoista tiedoista.