Maschinelles Lernen: Regression | Das Universitätsnetzwerk

Beschreibung

Fallstudie - Vorhersage der Immobilienpreise

In unserer ersten Fallstudie zur Vorhersage der Immobilienpreise erstellen Sie Modelle, die einen kontinuierlichen Wert (Preis) aus Eingabemerkmalen (Quadratmeterzahl, Anzahl der Schlafzimmer und Badezimmer,…) vorhersagen. Dies ist nur einer der vielen Orte, an denen Regression angewendet werden kann. Andere Anwendungen reichen von der Vorhersage von Gesundheitsergebnissen in der Medizin über Aktienkurse im Finanzbereich und den Stromverbrauch im Hochleistungsrechnen bis hin zur Analyse, welche Regulatoren für die Genexpression wichtig sind.

In diesem Kurs werden Sie regulierte lineare Regressionsmodelle für die Aufgabe der Vorhersage und Merkmalsauswahl untersuchen. Sie können sehr große Mengen an Funktionen verarbeiten und zwischen Modellen unterschiedlicher Komplexität wählen. Sie analysieren auch die Auswirkungen von Aspekten Ihrer Daten - wie z. B. Ausreißer - auf Ihre ausgewählten Modelle und Vorhersagen. Um diese Modelle anzupassen, implementieren Sie Optimierungsalgorithmen, die auf große Datenmengen skaliert werden können.

Lernergebnisse: Am Ende dieses Kurses können Sie:
-Beschreiben Sie die Eingabe und Ausgabe eines Regressionsmodells.
-Vergleichen und kontrastieren Sie Verzerrung und Varianz beim Modellieren von Daten.
- Schätzen Sie Modellparameter mithilfe von Optimierungsalgorithmen.
-Stimmen Sie die Parameter mit Kreuzvalidierung.
-Analyse der Leistung des Modells.
-Beschreiben Sie den Begriff der Sparsamkeit und wie LASSO zu spärlichen Lösungen führt.
- Stellen Sie Methoden zur Auswahl zwischen Modellen bereit.
- Nutzen Sie das Modell, um Vorhersagen zu bilden.
- Erstellen Sie ein Regressionsmodell, um die Preise mithilfe eines Wohnungsdatensatzes vorherzusagen.
-Implementieren Sie diese Techniken in Python.