Вот несколько методов, обычно используемых в науке о данных, а также примеры кода:
- Линейная регрессия.
Линейная регрессия — это контролируемый алгоритм обучения, используемый для прогнозирования непрерывных числовых значений на основе входных функций. Он подгоняет данные под линейное уравнение, минимизируя сумму квадратов разностей между прогнозируемыми и фактическими значениями.
Пример кода:
from sklearn.linear_model import LinearRegression
# Create a linear regression model
model = LinearRegression()
# Fit the model to the training data
model.fit(X_train, y_train)
# Predict values for the test data
y_pred = model.predict(X_test)- Логистическая регрессия.
Логистическая регрессия — это алгоритм классификации, используемый для прогнозирования двоичных или категориальных результатов. Он оценивает вероятность возникновения определенного события на основе входных характеристик.
Пример кода:
from sklearn.linear_model import LogisticRegression
# Create a logistic regression model
model = LogisticRegression()
# Fit the model to the training data
model.fit(X_train, y_train)
# Predict classes for the test data
y_pred = model.predict(X_test)- Деревья решений.
Деревья решений — популярный метод как для задач классификации, так и для регрессии. Они делят данные на подмножества на основе значений признаков и делают прогнозы на основе класса большинства или среднего целевого значения в каждом подмножестве.
Пример кода:
from sklearn.tree import DecisionTreeClassifier
# Create a decision tree classifier
model = DecisionTreeClassifier()
# Fit the model to the training data
model.fit(X_train, y_train)
# Predict classes for the test data
y_pred = model.predict(X_test)- Случайные леса.
Случайные леса — это ансамблевый метод обучения, объединяющий несколько деревьев решений. Каждое дерево обучается на случайном подмножестве данных, а окончательный прогноз определяется путем усреднения прогнозов всех отдельных деревьев.
Пример кода:
from sklearn.ensemble import RandomForestClassifier
# Create a random forest classifier
model = RandomForestClassifier()
# Fit the model to the training data
model.fit(X_train, y_train)
# Predict classes for the test data
y_pred = model.predict(X_test)- Машины опорных векторов (SVM):
SVM — это мощный алгоритм, используемый как для задач классификации, так и для регрессии. Он находит оптимальную гиперплоскость, которая разделяет точки данных разных классов или прогнозирует непрерывные значения на основе положения точек данных в многомерном пространстве.
Пример кода:
from sklearn.svm import SVC
# Create an SVM classifier
model = SVC()
# Fit the model to the training data
model.fit(X_train, y_train)
# Predict classes for the test data
y_pred = model.predict(X_test)