1. このセクションの主要なナレッジポイントは、自分の言葉で要約され、写真を添付でき、ナレッジポイントの重要性を説明できます
このレッスンでは、主に線形回帰アルゴリズムを研究し、アルゴリズムの定義を理解しました。線形回帰は、既存のデータに基づいて未知のデータを予測します。例: ①図1-1 に示す住宅価格予測、および図1-2に示すデータ視覚化。
図 1-1 地域別の価格予測
図 1-2 は、面積と住宅価格の線形関係を示しています
② 図 1-3に示す販売予測。
図 1-3 年間売上高予測
③ 図 1-4に示すローン予測。待って。。。
図 1-4 個人の完全性に基づくローン金額の予測
線形回帰アルゴリズムの利点と欠点:
利点:
①シンプルな思考と簡単な実装。少量のデータ量と単純な関係に効果的な迅速なモデリング。
②は多くの強力な非線形モデルの基礎です。
③線形回帰モデルは非常に理解しやすく、結果は非常に解釈可能であり、意思決定分析に役立ちます。
④機械学習における多くの重要なアイデアが含まれています。
regression回帰問題を解決できます。
短所:
①データの特徴に相関がある非線形データや多項式回帰をモデル化することは困難です。
②非常に複雑なデータをうまく表現することが難しい。
また、機械予測と実際の値の間には特定の誤差があります。その場合、アルゴリズムを使用して、誤差を可能な限り減らす必要があります:正規方程式、勾配降下法。
方法1:正規方程式
方法2:勾配降下
2. どの線形回帰アルゴリズムを使用できるかを考えていますか?
教室の例:住宅価格予測、販売予測、クォータローン予測
PS :線形回帰アルゴリズムを使用して未知のデータを予測できる多くの例があります。
①天気予報。
②会社の売上高と広告費の予測。
③ある場所で犯された犯罪から犯罪率を予測
3. 線形回帰アルゴリズムを個別に記述します。データは自分で作成するか、インターネットから取得できます。(プラスポイント)