Logistic regression linear regression naïve bayes knn Машиналық оқытудағы регрессия және классификация
Машиналық оқытудағы сызықтық регрессия
жүктеу/скачать 1,22 Mb.
|
- Бұл бет үшін навигация:
- Naive Bayes
- Байес теоремасының қарапайым формуласы
Машиналық оқытудағы сызықтық регрессияСызықтық регрессия машиналық оқытудың ең оңай және танымал алгоритмдерінің бірі болып табылады. Бұл болжамды талдау үшін қолданылатын статистикалық әдіс. Сызықтық регрессия сатылымдар, жалақы, жас, өнім бағасы және т.б. сияқты үздіксіз/нақты немесе сандық айнымалыларға болжам жасайды . Сызықтық регрессия алгоритмі тәуелді (y) және бір немесе бірнеше тәуелсіз (y) айнымалылар арасындағы сызықтық байланысты көрсетеді, сондықтан сызықтық регрессия деп аталады. Сызықтық регрессия сызықтық қатынасты көрсететіндіктен, ол тәуелді айнымалының мәні тәуелсіз айнымалының мәніне сәйкес қалай өзгеретінін табады. Сызықтық регрессия моделі айнымалылар арасындағы байланысты білдіретін көлбеу түзу сызықты береді. Төмендегі суретті қарастырыңыз: Математикалық түрде сызықтық регрессияны келесідей көрсетуге болады: y= a 0 +a 1 x+ e Мұнда, Y= Тәуелді айнымалы (мақсатты айнымалы) X= Тәуелсіз айнымалы (болжамдық айнымалы) a0= сызықтың кесіндісі (Қосымша еркіндік дәрежесін береді) a1 = Сызықтық регрессия коэффициенті (әрбір енгізілген мәнге масштаб коэффициенті). ε = кездейсоқ қате x және y айнымалыларына арналған мәндер сызықтық регрессия үлгісін көрсетуге арналған оқу деректер жиындары болып табылады. Naive Bayes
Байес теоремасының қарапайым формуласы:Мұндағы P(A) және P(B) екі тәуелсіз оқиға және (В) нөлге тең емес. P(A | B): В ақиқат болған жағдайда орын алатын А оқиғасының шартты ықтималдығы. P( B | A): А ақиқат болған жағдайда В оқиғасының болуының шартты ықтималдығы. P(A) және P(B): А және В бір-бірінен тәуелсіз болатын ықтималдықтары (шекті ықтималдық). жүктеу/скачать 1,22 Mb. Достарыңызбен бөлісу:
|