Orange Data Mining. Линейная и логистическая регрессии
Orange Data Mining. Линейная и логистическая регрессии 00:00:00 Введение в линейную регрессию • Линейная регрессия выявляет линейную закономерность в данных. • Используется для предсказания будущих или прошлых значений. • Пример: анализ цены вина с учетом зимних дождей, среднессезонной температуры и других факторов. 00:00:49 Пример анализа цены вина • Данные за 1952-1978 годы. • Важные показатели: зимние дожди, среднессезонная температура, дождь во время сбора урожая, выдержка вина. • Математическая статистика превосходит экспертные мнения. 00:02:25 Применение линейной регрессии в Excel • Подключение файла данных и назначение целевых значений. • Линейная регрессия без регуляризации дает коэффициент обучения 0.82. • Коэффициенты: а = -3.43, b = 0.01, c = 0.6, d = 0.39, e = 0.0001. 00:03:49 Предсказание цены вина • Использование коэффициентов для предсказания цены. • Сравнение фактической и предсказанной цены. • Ошибки составляют около 4%, что считается хорошим результатом. 00:06:03 Пример предсказания продолжительности жизни • Данные по странам: площадь, население, продолжительность жизни, валовый национальный доход ВНД. • Качество модели 0.99, что позволяет предсказывать продолжительность жизни с высокой точностью. • Визуализация коэффициентов и их значимости. 00:09:22 Разделение данных на обучающие и тестовые выборки • Использование внешних баз данных для обучения и тестирования. • Пример базы данных по лесным пожарам. • Разделение данных на 80% для обучения и 20% для тестирования. 00:13:24 Пример предсказания пожароопасности • Данные по лесным пожарам и их атрибутам. • Разделение выборки 60/40 для обучения и тестирования. • Добавление новых данных улучшает качество предсказания. 00:17:22 Логистическая регрессия • Логистическая регрессия для классификации данных. • Пример с маркетинговой базой по банкам. • Точность предсказания категории образования составляет около 54%. 00:18:28 Задача классификации • Обсуждение задачи классификации и использование модуля подсказки ранг. • Добавление значений в модуль для улучшения точности предсказания. • Увеличение точности предсказания с 0.77 до 0.777. 00:20:33 Модуль на макран • Использование модуля на макран для качественной оценки количественных показателей. • Влияние уровня образования на предсказанные значения. • Изменение уровня образования и его влияние на вероятность предсказания. 00:21:21 Линейная и логистическая регрессия • Объяснение работы линейной и логистической регрессии. • Обзор различных моделей и задач классификации. • Призыв задавать вопросы в комментариях или на занятиях. • Завершение лекции и благодарность за внимание.
Orange Data Mining. Линейная и логистическая регрессии 00:00:00 Введение в линейную регрессию • Линейная регрессия выявляет линейную закономерность в данных. • Используется для предсказания будущих или прошлых значений. • Пример: анализ цены вина с учетом зимних дождей, среднессезонной температуры и других факторов. 00:00:49 Пример анализа цены вина • Данные за 1952-1978 годы. • Важные показатели: зимние дожди, среднессезонная температура, дождь во время сбора урожая, выдержка вина. • Математическая статистика превосходит экспертные мнения. 00:02:25 Применение линейной регрессии в Excel • Подключение файла данных и назначение целевых значений. • Линейная регрессия без регуляризации дает коэффициент обучения 0.82. • Коэффициенты: а = -3.43, b = 0.01, c = 0.6, d = 0.39, e = 0.0001. 00:03:49 Предсказание цены вина • Использование коэффициентов для предсказания цены. • Сравнение фактической и предсказанной цены. • Ошибки составляют около 4%, что считается хорошим результатом. 00:06:03 Пример предсказания продолжительности жизни • Данные по странам: площадь, население, продолжительность жизни, валовый национальный доход ВНД. • Качество модели 0.99, что позволяет предсказывать продолжительность жизни с высокой точностью. • Визуализация коэффициентов и их значимости. 00:09:22 Разделение данных на обучающие и тестовые выборки • Использование внешних баз данных для обучения и тестирования. • Пример базы данных по лесным пожарам. • Разделение данных на 80% для обучения и 20% для тестирования. 00:13:24 Пример предсказания пожароопасности • Данные по лесным пожарам и их атрибутам. • Разделение выборки 60/40 для обучения и тестирования. • Добавление новых данных улучшает качество предсказания. 00:17:22 Логистическая регрессия • Логистическая регрессия для классификации данных. • Пример с маркетинговой базой по банкам. • Точность предсказания категории образования составляет около 54%. 00:18:28 Задача классификации • Обсуждение задачи классификации и использование модуля подсказки ранг. • Добавление значений в модуль для улучшения точности предсказания. • Увеличение точности предсказания с 0.77 до 0.777. 00:20:33 Модуль на макран • Использование модуля на макран для качественной оценки количественных показателей. • Влияние уровня образования на предсказанные значения. • Изменение уровня образования и его влияние на вероятность предсказания. 00:21:21 Линейная и логистическая регрессия • Объяснение работы линейной и логистической регрессии. • Обзор различных моделей и задач классификации. • Призыв задавать вопросы в комментариях или на занятиях. • Завершение лекции и благодарность за внимание.