Introduzione
La regressione è una tecnica semplice, comune e estremamente utile per l'analisi dei dati, definita colloquialmente "adattamento di una linea di tendenza". La regressione identifica la forza della relazione tra una o più funzionalità e una singola etichetta. La semplicità, il comportamento prevedibile, la capacità di prevedere e l'elevato livello di interpretabilità fanno sì che questa tecnica venga usata in tutto il settore finanziario, aziendale, delle scienze sociali, dell'epidemiologia e della medicina.
In questo modulo si approfondirà il funzionamento della regressione, se ne comprenderanno i limiti e si apprenderà come valutarne le prestazioni.
Scenario: Sovraccarico della clinica veterinaria
Nel corso di questo modulo verrà usato lo scenario di esempio seguente per illustrare i concetti alla base della regressione. Questo scenario è progettato per fornire un esempio di come è possibile usare questa tecnica per l'analisi dei dati futuri.
L'organizzazione benefica per cani da valanga che si gestisce ha avuto un'improvvisa ondata di malattie. Dopo una giornata di addestramento e alcune attività sociali, molti cani con cui si lavora si sono ammalati, il sintomo principale è la febbre (temperatura corporea elevata). Preoccupato per i cani che non hanno ancora presentato sintomi, il team con cui si lavora ha raccolto informazioni di base sui primi 100 cani che si sono ammalati. Il vostro lavoro è quello di identificare quali tipi di cani hanno maggiori rischi di malattia in modo che il veterinario possa controllarli in modo proattivo.
Obiettivi di apprendimento
Contenuto del modulo:
- Comprendere il funzionamento della regressione.
- Usare nuovi algoritmi: regressione lineare, regressione lineare multipla e regressione polinomiale.
- Comprendere i punti di forza e i limiti dei modelli di regressione.
- Visualizzare le funzioni di errore e di costo nella regressione lineare.
- Comprendere le metriche di valutazione di base per la regressione.
Prerequisiti
- Familiarità con i modelli di Machine Learning