Séance de cours
Régression logistique : interprétation et ingénierie des caractéristiques
Séances de cours associées (107)
Régression linéaire et régression logistique
Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.
Régression logistique : Interprétation probabiliste
Couvre l'interprétation probabiliste de la régression logistique, la régression multinomiale, le KNN, les hyperparamètres et la malédiction de la dimensionnalité.
Classification linéaire : Régression logistique
Couvre la classification linéaire en utilisant la régression logistique, la régularisation et la classification multiclasse.
Classement multiclasses
Couvre le concept de classification multiclasse et les défis de la séparation linéaire des données avec les classes multiples.
Apprentissage sans supervision: PCA & K-means
Couvre l'apprentissage non supervisé avec l'APC et les moyennes K pour la réduction de dimensionnalité et le regroupement des données.
Ingénierie des caractéristiques: Régression polynomiale
Couvre en fonction de la régression linéaire sur les caractéristiques des prédicteurs d'origine pour la représentation flexible des caractéristiques.
Régression logistique : Fondements et applications
Explore les fondamentaux de régression logistique, y compris les fonctions de coût, la régularisation et les limites de classification, avec des exemples pratiques utilisant scikit-learn.
Régression logistique : prédiction de la végétation
Explore la régression logistique pour prédire les proportions de la végétation dans la région amazonienne grâce à l'analyse des données de télédétection.
Régression linéaire généralisée : classification
Explorer la régression linéaire généralisée, la classification, les matrices de confusion, les courbes ROC et le bruit dans les données.
Régression polynomiale : vue d'ensemble
Couvre la régression polynomiale, l'impact de flexibilité, et le sous-ajustement contre le surajustement.