آموزش جامع رگرسیون Regression

توضیحات

این آموزش جامع قسمت نهم بسته آموزی جامع یادگیری ماشین می باشد. در این آموزش سعی کردیم همه مدلهایی که متلب برای رگرسیون را پشتیبانی می کند به شما معرفی کنیم. 

مدلهای رگرسیون ارتباط بین یک متغیر پاسخ (خروجی) با یک یا چند متغیر ورودی را بیان می کند. رگرسیون یک عبارت کلی است که برای روشهای آماری بکار می رود که می خواهند یک مدل را بر روی یک سری دیتا بیان کنند. این مدل ارتباط بین متغییرهای خروجی (وابسته) و متغییرهای ورودی (غیروابسته) را بیان می کند. مثلا فرض کنید شما بخواهید مقدار بارش باران در یک منطقه را مدلسازی کنید. در این مدل مقدار بارش در روزهای قبل به عنوان ورودی مدل می باشد و مقدار بارش در روز آینده به عنوان خروجی لحاظ می شود.

 

رگرسیون در متلب :

تولباکس یادگیری ماشین متلب به شما این امکان را می دهد که مدلهای رگرسیون خطی، خطی عمومی و غیرخطی و مدلهای پله ای و مدلهای ترکیبی را برای پروژه خود تعریف کنید. شما همچنین می توانید مدلهای رگرسیون سفارشی و دلخواه نیز تعریف کنید. روشهای رگرسیون غیرپارامتری با منحنی های رگرسیون پیچیده را نیز می توان در این تولباکس طراحی کرد. مدلهای رگرسیون گایوسین را نیز می توانید برای محاسبه بازه های پیش بینی مورد استفاده قرار داد.

 

لیست مدلهای رگرسیون در متلب :

رگرسیون خطی (Linear Regression)

مدلهای خطی عمومی (Generalized Linear Models)

Logistic regression, multinomial regression, Poisson regression, and more

مدلهای غیرخطی (Nonlinear Regression)

Nonlinear fixed- and mixed-effects regression models

رگرسیون ماشین بردار پشتیبان  (Support Vector Machine Regression)

رگرسیون فرایند گایوسین Gaussian process regression models (kriging)

رگرسیون درخت تصمیم ( Regression Trees ) و رگرسیون درخت تصمیم باینری  ( Binary decision trees ) و مجموعه درخت رگرسیون ( Regression Tree Ensembles ) و درخت Random forests و boosted و bagged .

 

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “آموزش جامع رگرسیون Regression”

نشانی ایمیل شما منتشر نخواهد شد.