Dokładnie omówienie działania algorytmu Gradient Boost w zadaniach regresji, wraz z implementacją w Python.
Ostatnie wpisy
Feature selection – kompletny poradnik doboru zmiennych do modelu
Jeżeli szukasz odpowiedzi na pytanie: jakie zmienne wybrać do modelu? To jest to artykuł dla Ciebie.
Najbardziej tajemniczy rozkład statystyczny – dowód na to, że żyjemy w symulacji?
Co ma wspólnego mają ze sobą liczba lajków pod postami gwiazd Tik-Toka, roczne zarobki Polaków oraz powierzchnia wszystkich państw na świecie? Otóż łączy je pewna zadziwiająca reguła…
Bagging i Boosting – czyli uczenie zespołowe
Jaka jest różnica pomiędzy Baggingiem a Boostingiem, co wybrać? Wszystkiego dowiesz się w tym artykule.
Wprowadzenie do modelowania szeregów czasowych
Najprostsze jednakże niezbędne aspekty modelowania szeregów czasowych
Obciążenie a wariancja – złoty środek w uczeniu modelu (bias-variance tradeoff)
W tym artykule opowiemy sobie o jednym z głównych problemów nadzorowanego uczenia maszynowego, którym jest znalezienie kompromisu pomiędzy redukcją obciążenia a redukcją wariancji w modelowaniu (ang. bias-variance tradeoff).
K-means – pełne wyjaśnienie + implementacja [Python]
W artykule omówiłem podstawowy algorytm uczenia nienadzorowanego, który wykorzystuje się do grupowania danych, a mianowicie K-means.
O standaryzacji słów kilka
Jeżeli szukasz odpowiedzi na pytanie kiedy powinieneś zastosować standaryzację danych to zapraszam do przeczytania tego artykułu
Regresja logistyczna cz. 3
Ostatnia część serii artykułów poświęcona algorytmowi regresji logistycznej, w której estymujemy ten model w python oraz R
Uczenie maszynowe – o co tutaj chodzi? cz. 2
W jaki sposób maszyny uczą się? W tym artykule dowiecie się o trzech głównych technikach uczenia maszynowego: uczeniu nadzorowanym, uczeniu nienadzorowanym oraz uczeniu przez wzmacnianie.