Modèles de classification dans la formation à l'apprentissage automatique Ppt

Diapositive 1

Cette diapositive donne un aperçu de la régression logistique qui est une sorte d'approche d'analyse de régression utilisée lorsque la variable dépendante est discontinue : par exemple, 0 ou 1, vrai ou faux, etc. La fonction Logit est utilisée dans la régression logistique pour évaluer le lien entre la variable cible et les variables indépendantes.

Diapositive 2

Cette diapositive montre que KNN est un algorithme simple qui conserve toutes les instances existantes et classe les nouveaux cas en fonction d'un vote majoritaire de ses k voisins.

Notes de l'instructeur :

KNN peut être compris par analogie avec la vie réelle. Par exemple, si vous voulez en savoir plus sur quelqu'un, discutez avec ses amis et ses collègues.

Considérez ce qui suit avant de vous installer sur l'algorithme des K plus proches voisins :

• KNN est coûteux à calculer et à arriver à
• Les variables doivent être normalisées, sinon des variables de plage plus grande entraîneront un biais de l'algorithme
• Les données doivent encore être prétraitées

Diapositive 3

Cette diapositive indique que Naive Bayes est une technique d'apprentissage automatique probabiliste basée sur le théorème de Bayes et est utilisée pour un large éventail de problèmes de classification. Un modèle bayésien naïf est simple à construire et fonctionne bien avec des ensembles de données volumineux. Il est simple à utiliser et surpasse même les algorithmes de classification les plus sophistiqués.

Diapositive 4

Cette diapositive montre que l'algorithme SVM est un processus de classification dans lequel les données brutes sont affichées sous forme de points dans un espace à n dimensions (n étant le nombre de fonctionnalités dont vous disposez). La valeur de chaque caractéristique est ensuite attribuée à un emplacement spécifique, ce qui simplifie la catégorisation des données. Les lignes de classification peuvent diviser les données et les tracer sur un graphique.