Scikit Learn - Modélisation linéaire
Ce chapitre vous aidera à découvrir la modélisation linéaire dans Scikit-Learn. Commençons par comprendre ce qu'est la régression linéaire dans Sklearn.
Le tableau suivant répertorie les différents modèles linéaires fournis par Scikit-Learn -
| Sr. Non | Description du modèle |
|---|---|
| 1 | C'est l'un des meilleurs modèles statistiques qui étudie la relation entre une variable dépendante (Y) et un ensemble donné de variables indépendantes (X). |
| 2 | La régression logistique, malgré son nom, est un algorithme de classification plutôt qu'un algorithme de régression. Sur la base d'un ensemble donné de variables indépendantes, il est utilisé pour estimer une valeur discrète (0 ou 1, oui / non, vrai / faux). |
| 3 | La régression Ridge ou régularisation de Tikhonov est la technique de régularisation qui effectue la régularisation L2. Il modifie la fonction de perte en ajoutant la pénalité (quantité de retrait) équivalente au carré de la grandeur des coefficients. |
| 4 | Régression de la crête bayésienne La régression bayésienne permet à un mécanisme naturel de survivre à des données insuffisantes ou mal distribuées en formulant une régression linéaire en utilisant des distributeurs de probabilité plutôt que des estimations ponctuelles. |
| 5 | LASSO est la technique de régularisation qui effectue la régularisation L1. Il modifie la fonction de perte en ajoutant la pénalité (quantité de retrait) équivalente à la somme de la valeur absolue des coefficients. |
| 6 | Il permet d'ajuster plusieurs problèmes de régression en imposant conjointement les caractéristiques sélectionnées pour être identiques pour tous les problèmes de régression, également appelés tâches. Sklearn fournit un modèle linéaire nommé MultiTaskLasso, formé avec une norme mixte L1, L2 pour la régularisation, qui estime conjointement des coefficients clairsemés pour des problèmes de régression multiples. |
| sept | Elastic-Net est une méthode de régression régularisée qui combine linéairement les deux pénalités, c'est-à-dire L1 et L2 des méthodes de régression Lasso et Ridge. Il est utile lorsqu'il existe plusieurs fonctionnalités corrélées. |
| 8 | C'est un modèle Elastic-Net qui permet d'ajuster plusieurs problèmes de régression en imposant conjointement les fonctionnalités sélectionnées pour être les mêmes pour tous les problèmes de régression, également appelés tâches |