StatsLearning Chapter 3：学習メモ

サンプル用のユーザです。

機械学習関連の学習に使えそうな本や動画を調べ、整理してみました。（なるべくFREEのものを優先しました）

* 尚、ノートの文章は一部を除きAIに書いてもらったもので、正確性はありません。
* ノートにchatGPT等AIに作ってもらった表を貼るには、「マークダウンのコードに変換して」と頼めば書き出してくれるので、ノートを「markdown」編集モードにして、コピペすれば簡単です。

view

sub

board 学習ノート（samp ... folder 学習メモの例（動画） note_LV1 Introducti ... note_LV2 StatsLearn ...

Loading ...

ノート表示（LV2）

StatsLearning Chapter 3：学習メモ LV2 2024/2/9

#### StatsLearning Chapter 3

この章では、線形回帰の基本的な概念やアルゴリズム、モデルの選択と評価、非線形関係の扱いについて説明されています。

------

1. 線形回帰: 応答変数と説明変数の間の線形関係をモデル化する。最小二乗法を使用して、データに最もよく適合する線を見つける。

2. 多変数線形回帰: 複数の説明変数を使用して応答変数を予測する。各説明変数の係数は、他の説明変数が一定であると仮定して、応答変数との関係を示す。

3. モデルの評価: モデルの予測精度を評価する方法として、残差標準誤差 (RSE) や決定係数 (R-squared) が使用される。

4. モデルの選択: 説明変数の数や形式を変更することで、モデルの性能を向上させる。適切な変数選択や変数変換が重要である。

5. モデルの過学習: 複雑なモデルは訓練データに過剰適合し、未知のデータに対する性能が低下する。適切なモデル複雑さを選択することが重要である。

6. 交互作用項: 2つの説明変数が互いに影響を与える場合、交互作用項をモデルに含めることで、より適切な予測が可能になる。

7. 非線形関係: 線形モデルが不十分な場合、多項式回帰やスプライン回帰などの非線形モデルを使用して、データに適合させることができる。

コメントを書く

ads

Loading ...

学習ノート（sample） board

学習メモの例（動画） folder