Episódio

Melhorando as previsões de preço de abóbora com regressão linear e polinomial usando Scikit-learn [Parte 12] | Machine Learning para iniciantes

por Bea Stollnitz

Aprendizado de máquina para iniciantes

Junte-se a Bea Stollnitz, uma das principais defensoras da nuvem da Microsoft, enquanto ela explora modelos de regressão linear e polinomial para prever os preços da abóbora usando o Scikit-learn. Este vídeo faz parte da nossa série Machine Learning for Beginners, onde abordamos vários tópicos de aprendizado de máquina e sua implementação usando código Python em notebooks Jupyter.

Neste tutorial, trabalharemos com o conjunto de dados de abóbora e continuaremos adicionando código ao nosso notebook Jupyter do vídeo anterior.

Neste vídeo, você aprenderá:

  • Como treinar e testar modelos de regressão linear e polinomial
  • Como calcular o erro quadrático médio e o coeficiente de determinação
  • Como visualizar os resultados com Matplotlib

Encontraremos um modelo de previsão melhor usando mais recursos? Assista para descobrir!

Fique atento ao próximo vídeo desta série, onde veremos se podemos melhorar nosso modelo usando mais recursos. Até lá!

Capítulos

  • 00:00 – Introdução
  • 00:33 - Criar um modelo de regressão linear para prever preços de abóbora
  • 02:09 - Erro quadrático médio
  • 02:22 - Coeficiente de determinação
  • 02:50 - Calcular a inclinação e interceptar a partir do modelo
  • 03:23 - Criar um modelo de regressão polinomial
  • Este curso é baseado no currículo gratuito e de software livre om 26 lições de ML para iniciantes da Microsoft.
  • O Caderno Jupyter para acompanhar esta lição está disponível!

Conectar

Azure Machine Learning
Python