Supervised Learning in R: Regression

Ora che abbiamo visto come adattare semplici modelli di regressione lineare, impareremo a valutare quanto bene si comportano. Rivedremo la valutazione grafica di un modello e analizzeremo due metriche di base per i modelli di regressione. Impareremo anche come addestrare un modello che si comporti bene nel mondo reale, non solo sui dati di addestramento. Sebbene mostreremo queste tecniche usando la regressione lineare, tutti questi concetti valgono per modelli addestrati con qualsiasi algoritmo di regressione.

Prima di passare a tecniche di regressione più sofisticate, esamineremo alcune altre questioni di modellazione: come modellare con input categorici, le interazioni tra variabili e quando potresti considerare di trasformare input e output prima della modellazione. Anche se tecniche di regressione più avanzate gestiscono automaticamente parte di questi aspetti, è importante esserne consapevoli per capire quali metodi li affrontano meglio — e quali invece richiedono ancora il tuo intervento.

Ora che padroneggiamo i modelli lineari, inizieremo a vedere tecniche per modellare situazioni che non rispettano l’assunzione di linearità. Questo include prevedere probabilità e frequenze (valori compresi tra 0 e 1); prevedere conteggi (valori interi non negativi e tassi associati); e risposte che hanno una relazione non lineare ma additiva con gli input. Questi algoritmi sono varianti del modello lineare standard.

In questo capitolo esamineremo algoritmi di modellazione che non assumono linearità o additività e che possono apprendere tipi limitati di interazioni tra variabili in input. Si tratta di metodi basati su alberi che funzionano combinando insiemi di alberi di decisione appresi dai dati di addestramento.