Apprendre avec un enseignant (retour) 1 Bases

Aidemy 2020/10/28

introduction

Bonjour, c'est Yope! Bien que ce soit un système littéraire croustillant, j'étais intéressé par les possibilités de l'IA, alors je suis allé à l'école spécialisée en IA "Aidemy" pour étudier. Je voudrais partager les connaissances acquises ici avec vous, et je les ai résumées dans Qiita. Je suis très heureux que de nombreuses personnes aient lu l'article de synthèse précédent. Merci! Il s'agit du premier poste d'apprentissage supervisé (retour). Ravi de vous rencontrer.

Quoi apprendre cette fois ・ À propos de l'apprentissage supervisé (retour) ・ Méthode de régression linéaire

Apprentissage supervisé (retour)

(Review) Méthode d'apprentissage automatique

・ Il existe trois méthodes d'apprentissage automatique. «Apprendre avec l'enseignant» «Apprendre sans l'enseignant» «Renforcer l'apprentissage». ・ Parmi ceux-ci, l'apprentissage supervisé peut être divisé en deux catégories: «classification» et «retour». La régression apprise cette fois prédit des valeurs continues telles que le prix de l'action et le prix du marché. __

Régression linéaire

Qu'est-ce que la régression linéaire?

-La régression linéaire est __ qui prédit le mouvement des données après celui de la formule (graphique = linéaire) des données déjà connues. Le graphique à ce moment est toujours une ligne droite (fonction linéaire).

Coefficient de décision

-__ Le coefficient déterminant__ indique dans quelle mesure les données prédites par la régression linéaire et les données réelles correspondent. -Dans scikit-learn utilisé pour l'apprentissage supervisé, le coefficient de décision prend une valeur comprise entre __0 et __. On peut dire que plus la valeur est élevée, plus le degré d'accord est élevé. -Lors de la sortie du coefficient de décision, utilisez __print (model.score (test_X, test_y)) __.

Régression linéaire simple

-La régression simple linéaire est une régression linéaire __ qui obtient une donnée (y) à prédire à partir d'une donnée (x). -C'est-à-dire que cela signifie que __a et b sont déduits, en supposant que les données peuvent être représentées par "y = ax + b". ・ Pour l'estimation de a et b, on est la méthode __ du carré minimum __. Il s'agit de définir a et b tels que __ la somme des carrés de la différence entre le y réel et le y estimé (c'est-à-dire ax + b) soit minimisée. -La raison pour laquelle la différence est mise au carré par cette méthode est qu'il n'est pas nécessaire de considérer le positif ou le négatif des données.

-Pour utiliser la régression linéaire (simple), utilisez __ "model = LinearRegression ()" __.

-Effectuez une régression linéaire simple![Capture d'écran 2020-10-28 22.51.22.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/698700/81a106d8- 132a-1d47-1c60-aeb09af5f07b.png)

Régression multiple linéaire

・ __Linear multiple regression __ est une régression linéaire dans laquelle une donnée (y) doit être prédite et plusieurs données (x1, x2 ...) __ sont utilisées pour __prediction. .. -C'est-à-dire qu'il s'agit de déduire a et b, en supposant que les données peuvent être représentées par "y = a1x1 + a2x2 ... + b". -Même en régression multiple linéaire, la prédiction de a et b est effectuée par la méthode du carré minimum. -Vous pouvez également utiliser LinearRegression (). Il détermine automatiquement s'il s'agit d'une régression simple ou d'une régression multiple.

-Effectuez une régression multiple linéaire![Capture d'écran 2020-10-28 22.52.10.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/698700/e8978f4f- 77ce-3b68-24fd-8d851359c030.png)

Sommaire

-La régression linéaire, qui est un apprentissage supervisé (régression), prédit le mouvement des données après celui de la formule de données déjà connue (graphe = linéaire). -La régression linéaire comprend la "régression simple linéaire", qui prédit une chose, et la "régression multiple linéaire", qui a des prédictions multiples.

Cette fois, c'est fini. Merci d'avoir lu jusqu'au bout.

Recommended Posts

Apprendre avec un enseignant (retour) 1 Bases
Python: apprentissage supervisé (retour)
Machine Learning: Supervision - Régression linéaire
Bases de l'apprentissage avec un enseignant Partie 1-Régression simple- (Remarque)
Apprendre avec l'enseignant 1 Principes de base de l'apprentissage avec l'enseignant (classification)
Apprendre avec l'enseignant (retour) 2 édition avancée
Machine learning supervisé (classification / régression)
Bases de l'apprentissage avec un enseignant Partie 3-Régression multiple (mise en œuvre) - (Notes) -
Python: Application de l'apprentissage supervisé (retour)
Apprendre sans enseignant 1 Principes de base
Apprentissage supervisé (classification)
Python: apprentissage non supervisé: principes de base
Apprentissage automatique: supervisé - AdaBoost
Régression logistique d'apprentissage automatique
Bases de l'analyse de régression
Python: apprentissage supervisé (classification)
Bases de l'apprentissage automatique (mémoire)
Python: Apprentissage supervisé: Hyper Paramètres Partie 1
Apprentissage supervisé 3 hyper paramètres et réglage (2)
Comprendre l'apprentissage automatique ~ régression de crête ~.
Apprentissage automatique: forêt supervisée - aléatoire
Python: apprentissage supervisé: Hyper Paramètre partie 2
Modèle d'empilage d'apprentissage automatique (retour)
Apprentissage supervisé 2 Hyper paramètres et réglage (1)
Machine Learning: Supervisé - Arbre de décision
Algorithme d'apprentissage automatique (régression logistique)
Les débutants en apprentissage automatique essaient la régression linéaire
Algorithme d'apprentissage automatique (analyse de régression multiple)
Algorithme d'apprentissage automatique (analyse de régression unique)
Classification et régression dans l'apprentissage automatique
Apprentissage profond appris par l'implémentation 1 (édition de retour)
Apprentissage automatique: analyse discriminante linéaire supervisée
(python) Principes de base du chaînage de la bibliothèque d'apprentissage en profondeur
<Subject> Machine learning Chapitre 3: Modèle de régression logistique
Algorithme d'apprentissage automatique (généralisation de la régression linéaire)
[Mémo d'apprentissage] Bases de la classe par python
Apprentissage automatique avec python (2) Analyse de régression simple
[Apprentissage automatique] Apprentissage supervisé utilisant l'estimation de la densité du noyau
<Cours> Machine learning Chapitre 1: Modèle de régression linéaire
<Cours> Machine learning Chapitre 2: Modèle de régression non linéaire
Prévision du cours des actions à l'aide de l'apprentissage automatique (édition de retour)
Algorithme d'apprentissage automatique (résumé de régression linéaire et régularisation)
[Apprentissage automatique] Analyse de régression à l'aide de scicit learn
Apprentissage profond à partir des bases mathématiques (pendant la fréquentation)