Scikit Learn - Modelagem Linear
Este capítulo o ajudará a aprender sobre a modelagem linear no Scikit-Learn. Vamos começar entendendo o que é regressão linear no Sklearn.
A tabela a seguir lista vários modelos lineares fornecidos pela Scikit-Learn -
| Sr. Não | Modelo e descrição |
|---|---|
| 1 | É um dos melhores modelos estatísticos que estuda a relação entre uma variável dependente (Y) com um determinado conjunto de variáveis independentes (X). |
| 2 | A regressão logística, apesar do nome, é um algoritmo de classificação e não um algoritmo de regressão. Com base em um determinado conjunto de variáveis independentes, é usado para estimar o valor discreto (0 ou 1, sim / não, verdadeiro / falso). |
| 3 | A regressão de cume ou regularização de Tikhonov é a técnica de regularização que realiza a regularização de L2. Ele modifica a função de perda adicionando a penalidade (quantidade de encolhimento) equivalente ao quadrado da magnitude dos coeficientes. |
| 4 | A regressão bayesiana permite que um mecanismo natural sobreviva a dados insuficientes ou dados mal distribuídos, formulando a regressão linear usando distribuidores de probabilidade em vez de estimativas pontuais. |
| 5 | LASSO é a técnica de regularização que realiza a regularização L1. Ele modifica a função de perda adicionando a penalidade (quantidade de encolhimento) equivalente à soma do valor absoluto dos coeficientes. |
| 6 | Ele permite ajustar vários problemas de regressão em conjunto, fazendo com que os recursos selecionados sejam os mesmos para todos os problemas de regressão, também chamados de tarefas. Sklearn fornece um modelo linear denominado MultiTaskLasso, treinado com uma norma mista L1, L2 para regularização, que estima coeficientes esparsos para problemas de regressão múltipla em conjunto. |
| 7 | O Elastic-Net é um método de regressão regularizado que combina linearmente ambas as penalidades, ou seja, L1 e L2 dos métodos de regressão Lasso e Ridge. É útil quando há vários recursos correlacionados. |
| 8 | É um modelo Elastic-Net que permite ajustar vários problemas de regressão em conjunto, fazendo com que os recursos selecionados sejam os mesmos para todos os problemas de regressão, também chamados de tarefas |