🌀 رگرسیون غیرخطی (Non-linear) : همهٔ روابط، ساده و سرراست نیستند؛ این مدل برای الگوهای پیچیده‌تری که با چندجمله‌ای هم به‌خوبی برازش نمی‌شوند، طراحی شده است.
📉 رگرسیون ریج (Ridge) : با استفاده از منظم‌سازی L2 (یعنی جریمه‌کردن ضرایب بزرگ یا برخورد با دانه‌درشت ها🤓)، مشکل هم‌خطی (چندهم‌خطی) بین متغیرها را کنترل می‌کند و مانع از بیش‌برازش (Overfitting) می‌شود.
⚖️ رگرسیون لاسو (Lasso) : پادشاه انتخاب ویژگی است؛ چون با منظم‌سازی L1، ضرایب متغیرهای کم‌اهمیت را دقیقاً به صفر می‌رساند و در عمل آنها را از مدل حذف می‌کند، که برای کاهش ابعاد داده عالی است.
❌ هر یک از این مدل‌ها، مسئلهٔ خاصی از داده‌ها را حل می‌کنند پس هوشمندانه انتخاب کنید، مدام آزمایش کنید و از هر کدام در جای خودش استفاده کنید.
تذکره‌تُن : پست‌ها بعلت محدودیت کاراکتر، ادامه‌دار می‌شوند❕
#Overfitting
#LassoRegression
#RidgeRegression
@toobabigdatascience
Post #2964
118
متخصصان علم داده ها data scientists 🔍 رمزگشایی از رازهای رگرسیون رگرسیون خطی شاید ساده به نظر برسد، اما پشت آن خطِ راست، دنیایی از مفاهیم و نکات نهفته است. 🔖در ادامه، ۷ نوع قدرتمند از رگرسیون را معرفی می‌کنیم که هر دانشمند داده‌ای باید در جعبه‌ابزار خود داشته باشد: 📈 رگرسیون خطی ساده (Simple…
- 👏 2
- 👌 1