Кероване навчання в R: регресія

Тепер, коли ми навчилися підігнати базові моделі лінійної регресії, розглянемо, як оцінити якість їхньої роботи. Ми переглянемо графічні способи оцінювання моделі та два базові метрики для регресійних моделей. Також ви дізнаєтеся, як навчити модель, що добре працюватиме в реальних умовах, а не лише на тренувальних даних. Хоча ми демонструватимемо ці прийоми на прикладі лінійної регресії, усі ці ідеї застосовні до моделей, навчених будь-яким алгоритмом регресії.

Перш ніж переходити до складніших методів регресії, розглянемо інші питання моделювання: роботу з категоріальними вхідними змінними, взаємодії між змінними та випадки, коли варто перетворювати вхідні дані чи відгук перед моделюванням. Хоча просунуті методи регресії частину цих питань розв'язують автоматично, важливо їх усвідомлювати, щоб розуміти, які методи найкраще з ними справляються — і які питання вам усе ще доведеться опрацьовувати самостійно.

Опановавши лінійні моделі, ми перейдемо до методів для ситуацій, що не відповідають припущенню лінійності. Це охоплює прогнозування ймовірностей і частот (значення в межах від 0 до 1); прогнозування кількостей (невід'ємні цілі значення та пов'язані з ними інтенсивності); а також відгуки, що мають нелінійний, але адитивний зв'язок із входами. Ці алгоритми — варіації стандартної лінійної моделі.

У цьому розділі ми розглянемо алгоритми моделювання, які не припускають лінійності чи адитивності та здатні вивчати обмежені типи взаємодій між вхідними змінними. Це методи на основі дерев, що працюють як ансамблі з рішальних дерев, навчених на тренувальних даних.