R में Supervised Learning: Regression

अब जब हम बेसिक लीनियर रिग्रेशन मॉडल्स फिट करना सीख चुके हैं, तो हम सीखेंगे कि हमारे मॉडल कितने अच्छे काम कर रहे हैं, इसका मूल्यांकन कैसे करें। हम मॉडल का ग्राफिकल रूप से मूल्यांकन देखेंगे और रिग्रेशन मॉडल्स के दो बेसिक मेट्रिक्स पर नज़र डालेंगे। हम यह भी सीखेंगे कि ऐसा मॉडल कैसे ट्रेन करें जो असली दुनिया के डेटा पर अच्छा प्रदर्शन करे, न कि सिर्फ ट्रेनिंग डेटा पर। हालाँकि हम ये तकनीकें लीनियर रिग्रेशन के साथ दिखाएँगे, लेकिन ये सभी अवधारणाएँ किसी भी रिग्रेशन एल्गोरिदम से फिट किए गए मॉडलों पर लागू होती हैं।

और उन्नत रिग्रेशन तकनीकों पर जाने से पहले, हम कुछ अन्य मॉडलिंग मुद्दों को देखेंगे: श्रेणीबद्ध (categorical) इनपुट्स के साथ मॉडलिंग, वैरिएबल्स के बीच इंटरैक्शन, और कब आप मॉडलिंग से पहले इनपुट्स और आउटपुट्स को ट्रांसफॉर्म करने पर विचार कर सकते हैं। जबकि उन्नत रिग्रेशन तकनीकें इनमे से कुछ मुद्दों को अपने आप संभाल लेती हैं, इनसे अवगत रहना ज़रूरी है ताकि आप समझ सकें कि कौन-सी विधियाँ किन समस्याओं को बेहतर संभालती हैं — और किन मुद्दों को आपको अब भी खुद मैनेज करना होगा।

अब जब हमने लीनियर मॉडल्स में महारत हासिल कर ली है, तो हम ऐसी तकनीकों को देखना शुरू करेंगे जो उन स्थितियों के लिए उपयुक्त हैं जहाँ लीनियरिटी के अनुमानों का पालन नहीं होता। इसमें संभावनाएँ और फ्रीक्वेंसी (मान 0 और 1 के बीच सीमित) का पूर्वानुमान; काउंट्स (गैर-नकारात्मक पूर्णांक मान और संबंधित दरें) का पूर्वानुमान; और ऐसे रिस्पॉन्स शामिल हैं जिनका इनपुट्स से नॉन-लीनियर लेकिन ऐडिटिव संबंध होता है। ये एल्गोरिदम मानक लीनियर मॉडल के विभिन्न रूप हैं।

इस अध्याय में हम ऐसे मॉडलिंग एल्गोरिदम देखेंगे जो लीनियरिटी या ऐडिटिविटी मानकर नहीं चलते, और जो इनपुट वैरिएबल्स के बीच सीमित प्रकार के इंटरैक्शंस सीख सकते हैं। ये एल्गोरिदम ट्री-आधारित विधियाँ हैं जो ट्रेनिंग डेटा से सीखे गए निर्णय-ट्रीज़ के एंसेंबल को मिलाकर काम करती हैं।