Annuaire d'articles
<Prétraitement des données>
- Agrégation : combinez plusieurs échantillons ou fonctionnalités (réduisez la taille de l'échantillon, convertissez l'échelle, plus stable)
- Échantillonnage : prélèvement d'un échantillon
- Réduction de dimensionnalité : représentation d'échantillons dans l'espace de position (PCA, SVD)
- Sélection des fonctionnalités : sélectionnez les fonctionnalités importantes (Lasso)
- Création de fonctionnalités : reconstruction de fonctionnalités utiles (transformation Fouter)
- discrétisation
- Le processus de conversion d'attributs continus en attributs discrets
- Couramment utilisé pour la classification
- dualisation
- Mapper des attributs continus ou catégoriels à une ou plusieurs variables binaires
- Analyse de corrélation
- Convertissez les attributs continus en attributs catégoriels et convertissez les attributs catégoriels en un ensemble de variables binaires
- transformation de variables
- Convertit la valeur d'un attribut donné
- Méthode de transformation linéaire (fonction simple)
- Standardiser
- normalisation min-max (normalisation)
- Normalisation du score z (normalisation à moyenne nulle)
- Normalisation de la mise à l'échelle décimale
<plateforme d'apprentissage automatique sklearn>
Bibliothèque d'apprentissage MLlib :
- Algorithmes couverts : algorithme de classification, algorithme de clustering, algorithme de régression, algorithme de réduction de dimensionnalité
- Utilisation principale de Scikit-learn :
- Notation symbolique : données d'entraînement, étiquettes d'ensemble d'entraînement, données de test, étiquettes d'ensemble de test, données complètes, données étiquetées
- Division des données :
- train_test_split(x,y,aléatoire)
- mélanger = Vrai
- prétraitement des données
- Algorithmes d'apprentissage supervisé (classification,
- régression logistique
- Machines à vecteurs de support
- Bayes naïf
Chapitre 3 Analyse de régression
3.1 Concepts de base de l'analyse de régression
- analyse de régression
- Divisé par le nombre de variables impliquées : régression unaire, analyse de régression multiple
- Selon le nombre de variables dépendantes : analyse de régression simple, analyse de régression multiple
- Selon le type de relation entre la variable indépendante et la variable dépendante : analyse de régression linéaire, analyse de régression non linéaire.
- Problèmes résolus par analyse de régression :
- Corrélation entre variables : relation déterministe, relation non déterministe
- Prédire ou contrôler la valeur d'une ou plusieurs variables
- Étapes de l'analyse de régression
- Variables déterminantes : facteurs d'influence pertinents (variables indépendantes), principaux facteurs d'influence
- Construire un modèle prédictif : calcul de statistiques historiques pour les variables indépendantes et dépendantes
- Effectuer une analyse de corrélation : le degré de corrélation entre les variables et les prédicteurs
- Calculer l'erreur de prédiction : peut-elle être utilisée pour des prédictions réelles
- Déterminer la valeur prédite : effectuer une analyse complète de la valeur prédite
3.2 Régression linéaire univariée
Test F, test T
- Y = a + bX + ε
- Caractéristiques du modèle :
- Y est une fonction linéaire de X plus un terme d'erreur
- La partie linéaire reflète les changements de Y dus aux changements de X
- L'erreur choisie ε est une variable aléatoire
- Pour une valeur donnée de X, la valeur attendue de Y est E(Y) = a+bX
- Équation de régression:
- Résolution d’équations de régression et tests de modèles :
- Moindres carrés (résolution d'équations), somme résiduelle des carrés
- Test d'adéquation (test sur modèle)
- Test de signification de la relation linéaire : test du niveau de signification équation de régression (test de signification des paramètres de régression), ESS, RSS
- Exemple de régression linéaire univariée
- Critères d'évaluation r 2
3.3 Régression linéaire multiple
- Y = a + b 1 X 1 + b 2 X 2 + … + b n X n
- Caractéristiques du modèle :
- Y a une relation linéaire avec X 1 X 2 X 3 …X 4
- Chaque valeur d'observation Y i (i=1,2,3,…) est indépendante les unes des autres
- Erreur aléatoire ε~N(0,q 2 )
- Résolution d'équations de régression polynomiale à l'aide de la méthode des moindres carrés
- Test d'adéquation
- Test de signification des paramètres de régression
- Exemple de régression linéaire multiple
3.4 Régression polynomiale
- Équation de régression polynomiale (non linéaire → linéaire)
- Exemple d'équation de régression polynomiale
- Résolution d'équations de régression polynomiale
- Test F d’équation de régression
- Test t de l'équation de régression polynomiale
Critères d'évaluation de la régression
- Erreur quadratique moyenne (MSE)
- Erreur quadratique moyenne (RMSE)
- Erreur absolue moyenne (MAE)
- Choisir MSE ou MAR ?