Introduzione
La regressione è la fase in cui i modelli stimano un valore numerico.
In uno scenario di Machine Learning, l'obiettivo della regressione è quello di creare un modello in grado di predire un valore numerico e quantificabile, ad esempio un prezzo, una quantità, una dimensione o un altro numero scalare.
La regressione è una tecnica statistica di fondamentale importanza per la scienza grazie alla capacità di combinare facilità di interpretazione, affidabilità e velocità di calcolo. I modelli di regressione offrono una base eccellente per capire il funzionamento delle tecniche di apprendimento automatico più complesse.
Nelle situazioni reali, soprattutto quando sono disponibili pochi dati, i modelli di regressione sono inoltre particolarmente utili per produrre stime. Se, ad esempio, una società di noleggio cicli vuole prevedere il numero di biciclette affittate in un determinato giorno nel futuro, può stimare questo numero ricorrendo a un modello di regressione. Per creare un modello è possibile usare dati esistenti come il numero di biciclette noleggiate in altri giorni in cui sono stati registrati, ad esempio, la stagione, il giorno della settimana e così via.
Prerequisiti
- Conoscenza della matematica di base
- Un po’ di esperienza con la programmazione in Python
- Familiarità con i notebook di Jupyter
Obiettivi di apprendimento
Contenuto del modulo:
- Quando usare i modelli di regressione.
- Come eseguire il training e la valutazione dei modelli di regressione usando il framework Scikit-Learn.