پروژه: ساخت مدلهای رگرسیون (خطی، Ridge، Lasso) در Python
0 تومان
در این پروژه یادگیری ماشین در حوزه رگرسیون، شما یاد خواهید گرفت که چگونه مدلهای رگرسیون (رگرسیون خطی، رگرسیون Ridge، رگرسیون Lasso) را از ابتدا با استفاده از کتابخانه NumPy پیادهسازی کنید. این پروژه به شما درک عمیقی از مفاهیم کلیدی این مدلها و نحوه عملکرد آنها در مسائل واقعی ارائه میدهد.
- درجه سختی: Easy
- نوع بیزینس: Entertainment
- ابزار مورد استفاده: Python
- کلاس الگوریتم: Regression
ویژگیهامشاهده همه
- 4
پایه دسترسی - 4
ساعت منتورینگ - 4
جلسه - 4
پروژه - 4
ساعت ویدئو - 4
ساعت - 40%
تخفیف - 4
هفته - 7
روز مهلت - 9
نفر ظرفیت - 5
روش برگزاری - 17
کورس - 5
روش بازآموزی - 8
مدرس - 4
تاریخ شروع - 7
پایه پشتیبانی - 7
گروه مخاطب - 4
پیشنیاز - 3
پایه دشواری - 4
زمان منتورینگ - 17
روش پرداخت - 4
نوع دوره - دسترسی ویژه
2 ماه زودتر
ثبت نام به پایان رسید
توضیحات
آنچه که در این پروژه یاد میگیرید:
-
-
- رگرسیون چیست؟
- کاربردهای رگرسیون چیست؟
- انواع مختلف رگرسیون
- تفاوت بین رگرسیون و طبقهبندی
- رگرسیون خطی چیست؟
- تابع زیان چیست؟
- گرادیان نزولی چیست؟
- معایب رگرسیون خطی
- درک بایاس و واریانس
- رگرسیون Ridge و Lasso چیست؟
- درخت تصمیم چیست؟
- آشنایی با اصطلاحات مختلف در درخت تصمیم
- مزایا و معایب درختهای تصمیم
- وارد کردن مجموعه داده و کتابخانههای موردنیاز
- مدیریت دادههای گمشده با استفاده از روشهای مناسب
- پیدا کردن همبستگی بین ویژگیها
- ساخت مدلهای رگرسیون مختلف از ابتدا با استفاده از ماژول NumPy
- کسب اطمینان از مدل با استفاده از معیارهایی مانند MSE و R-squared
-
توضیحات پروژه
رگرسیون یک الگوریتم یادگیری نظارتشده است. تحلیل رگرسیون برای برقراری رابطه بین یک یا چند متغیر مستقل و یک متغیر وابسته استفاده میشود. تحلیل رگرسیون شامل چندین نوع مختلف مانند رگرسیون خطی، رگرسیون خطی چندگانه و رگرسیون غیرخطی است. معمولاً میتوان مدلهای رگرسیون را با استفاده از کتابخانهی قدرتمند و ارزشمند Scikit-learn در پایتون ایجاد کرد. اما در این پروژه، مدلها را از ابتدا با استفاده از NumPy خواهیم ساخت. ساخت مدل بهصورت دستی، انعطافپذیری بیشتری در فرآیند آموزش فراهم میکند و امکان تغییر مدل برای مقاومتر کردن آن و پاسخگویی بهتر به دادههای واقعی در بازآموزی یا استفاده در تولید فراهم میشود.
این پروژه توضیح میدهد که رگرسیون خطی چگونه کار میکند و چگونه میتوان مدلهای مختلف رگرسیون مانند رگرسیون خطی، رگرسیون Ridge، رگرسیون Lasso و درخت تصمیم را از ابتدا با استفاده از ماژول NumPy ساخت.
مجموعه داده پروژه
این مجموعه داده اطلاعاتی درباره بازیکنان یک ورزش خاص ارائه میدهد و هدف پیشبینی امتیازات است. این مجموعه داده شامل حدود ۲۰۰ سطر و ۱۳ ستون است.
فناوریهای استفادهشده
-
-
- زبان: پایتون
- کتابخانهها: pandas, numpy
-
مراحل حل پروژه
-
-
- وارد کردن کتابخانههای مورد نیاز و خواندن مجموعه داده
- پیشپردازش دادهها
- حذف دادههای گمشده
- حذف متغیرهای دستهبندیشده
- بررسی چندهمخطی و حذف ویژگیهای با همبستگی بالا
- ایجاد دادههای آموزشی و آزمایشی از طریق ترتیبدهی تصادفی دادهها
- انجام تقسیمبندی دادههای آموزشی و آزمایشی
- ساخت مدل با استفاده از NumPy
- مدل رگرسیون خطی
- رگرسیون Ridge
- رگرسیون Lasso
- رگرسیون درخت تصمیم
- اعتبارسنجی مدل
- میانگین خطای مطلق
- ضریب تعیین R2 squared
-
پروژه: ساخت مدلهای رگرسیون (خطی، Ridge، Lasso) در Python
سرفصلها
پروژه: ساخت مدلهای رگرسیون (خطی، Ridge، Lasso) در Python
فرم ثبت نام
ثبت نام به پایان رسید