Методы машинного обучения: линейная регрессия, логистическая регрессия, деревья решений, случайные леса и SVM. - Fcodenotes

Линейная регрессия.
Линейная регрессия — это базовый и широко используемый метод машинного обучения для прогнозирования числовых значений на основе входных признаков. Вот пример фрагмента кода на Python с использованием scikit-learn:
```
from sklearn.linear_model import LinearRegression
# Training data
X_train = [[1], [2], [3]]
y_train = [2, 4, 6]
# Create and train the model
model = LinearRegression()
model.fit(X_train, y_train)
# Predict
X_test = [[4], [5]]
y_pred = model.predict(X_test)
print(y_pred)  # Output: [8, 10]
```
Логистическая регрессия.
Логистическая регрессия используется для задач двоичной классификации, целью которых является предсказание одного из двух возможных классов. Вот пример использования scikit-learn:
```
from sklearn.linear_model import LogisticRegression
# Training data
X_train = [[1], [2], [3], [4]]
y_train = [0, 0, 1, 1]
# Create and train the model
model = LogisticRegression()
model.fit(X_train, y_train)
# Predict
X_test = [[5], [6]]
y_pred = model.predict(X_test)
print(y_pred)  # Output: [1, 1]
```
Деревья решений.
Деревья решений — это универсальные модели машинного обучения, которые можно использовать как для задач классификации, так и для регрессии. Вот пример использования scikit-learn:
```
from sklearn.tree import DecisionTreeClassifier
# Training data
X_train = [[1], [2], [3], [4]]
y_train = [0, 0, 1, 1]
# Create and train the model
model = DecisionTreeClassifier()
model.fit(X_train, y_train)
# Predict
X_test = [[5], [6]]
y_pred = model.predict(X_test)
print(y_pred)  # Output: [1, 1]
```
Случайные леса.
Случайные леса — это ансамблевый метод обучения, который объединяет несколько деревьев решений для прогнозирования. Вот пример использования scikit-learn:
```
from sklearn.ensemble import RandomForestClassifier
# Training data
X_train = [[1], [2], [3], [4]]
y_train = [0, 0, 1, 1]
# Create and train the model
model = RandomForestClassifier()
model.fit(X_train, y_train)
# Predict
X_test = [[5], [6]]
y_pred = model.predict(X_test)
print(y_pred)  # Output: [1, 1]
```
Машины опорных векторов (SVM).
SVM — это мощный метод классификации, который находит оптимальную гиперплоскость для разделения данных на разные классы. Вот пример использования scikit-learn:
```
from sklearn.svm import SVC
# Training data
X_train = [[1], [2], [3], [4]]
y_train = [0, 0, 1, 1]
# Create and train the model
model = SVC()
model.fit(X_train, y_train)
# Predict
X_test = [[5], [6]]
y_pred = model.predict(X_test)
print(y_pred)  # Output: [1, 1]
```