Orange Data Mining. Линейная и логистическая регрессии

Описание

Orange Data Mining. Линейная и логистическая регрессии

00:00:00 Введение в линейную регрессию

• Линейная регрессия выявляет линейную закономерность в данных.

• Используется для предсказания будущих или прошлых значений.

• Пример: анализ цены вина с учетом зимних дождей, среднессезонной температуры и других факторов.

00:00:49 Пример анализа цены вина
• Данные за 1952-1978 годы.

• Важные показатели: зимние дожди, среднессезонная температура, дождь во время сбора урожая, выдержка вина.

• Математическая статистика превосходит экспертные мнения.

00:02:25 Применение линейной регрессии в Excel

• Подключение файла данных и назначение целевых значений.

• Линейная регрессия без регуляризации дает коэффициент обучения 0.82.

• Коэффициенты: а = -3.43, b = 0.01, c = 0.6, d = 0.39, e = 0.0001.

00:03:49 Предсказание цены вина

• Использование коэффициентов для предсказания цены.

• Сравнение фактической и предсказанной цены.

• Ошибки составляют около 4%, что считается хорошим результатом.

00:06:03 Пример предсказания продолжительности жизни

• Данные по странам: площадь, население, продолжительность жизни, валовый национальный доход ВНД.

• Качество модели 0.99, что позволяет предсказывать продолжительность жизни с высокой точностью.

• Визуализация коэффициентов и их значимости.

00:09:22 Разделение данных на обучающие и тестовые выборки
• Использование внешних баз данных для обучения и тестирования.

• Пример базы данных по лесным пожарам.

• Разделение данных на 80% для обучения и 20% для тестирования.

00:13:24 Пример предсказания пожароопасности

• Данные по лесным пожарам и их атрибутам.

• Разделение выборки 60/40 для обучения и тестирования.

• Добавление новых данных улучшает качество предсказания.

00:17:22 Логистическая регрессия

• Логистическая регрессия для классификации данных.

• Пример с маркетинговой базой по банкам.

• Точность предсказания категории образования составляет около 54%.

00:18:28 Задача классификации

• Обсуждение задачи классификации и использование модуля подсказки ранг.

• Добавление значений в модуль для улучшения точности предсказания.

• Увеличение точности предсказания с 0.77 до 0.777.

00:20:33 Модуль на макран

• Использование модуля на макран для качественной оценки количественных показателей.

• Влияние уровня образования на предсказанные значения.

• Изменение уровня образования и его влияние на вероятность предсказания.

00:21:21 Линейная и логистическая регрессия

• Объяснение работы линейной и логистической регрессии.

• Обзор различных моделей и задач классификации.

• Призыв задавать вопросы в комментариях или на занятиях.

• Завершение лекции и благодарность за внимание.