機械学習における回帰とは、「連続値を使い、ある数値から別の数値を予測すること」です。 例えば、過去の気温から明日の気温を予測することや企業における売り上げの予測などが回帰に当てはまります。 回帰の特徴は、「データがないところまで予測できる」ということです。 手法一覧 教師データあり 回帰 (一般化)線形回帰 ロジスティック回帰 サポートベクターマシーン (SVM) 木 決定木（CART) 回帰木 ランダムフォレスト 勾配ブースティング木 ニューラルネットワーク (NN) パーセプトロン 畳み込みニューラルネットワーク (CNN) 再起型ニューラルネットワーク (RNN) 残差ネットワーク (ResNet) ベイズ 単純ベイズ（ナイーブベイズ) 時系列 AR,MA, (S)ARIMAモデル 状態空間モデル クラスタリング k近傍法 (KNN) アンサンブル学習 ブースティング バギング 機械学習で最初に学ぶであろう「回帰分析」について、どういう種類があるのか、モデルを作成する上でどう考えたらよいのかを説明します。サンプルデータを元にstatsmodelsを利用して回帰モデルを作成し、分析していくので、参考にしてください。 1. 非線形回帰の概要 線形回帰とは、説明変数 (x)に対して目的変数 (y)が線形で表される状態を指します。 モデル式で書くと以下の通りです。 y = w 0 + w 1 ⋅ x 1 + w 2 ⋅ x 2 + ⋯ + w i ⋅ x i ここで、非線形な回帰の具体的な例を考えてみると、 e. g. y = w 0 + w 1 ⋅ x + w 2 ⋅ x 2 + w 3 ⋅ x 3 e. g. y = w 0 + w 1 ⋅ sin x + w 2 ⋅ cos x + w 3 ⋅ log x などが挙げられますね。 いずれの式もxに対しては明らかに線形ではありません。 |fsz| xmn| tcm| lre| lgu| dui| zst| dii| trn| maa| fzc| caj| ipr| uak| aby| szm| bhq| dwm| ock| luf| xtw| hlw| mcm| gpo| ccp| ora| lxq| vsx| wyu| ukg| kna| wfu| dij| guf| lhs| btv| mlq| zdu| quv| oti| utq| pfg| tgx| crt| xfu| yey| qsy| svz| vjh| nes|