Un blog sullo sviluppo Front End, corsi WordPress, Data Science, Machine Leaning e Python.

La regressione è un processo statistico che ci permette di stimare le relazioni tra variabili. Determina il legame funzionale tra le variabili indipendenti e le variabili dipendenti.

La regressione corrisponde al valore medio atteso in base ai dati di input che noi immettiamo. Grazie alla regressione si può parlare di previsione sui valori attesi.

I valori di ingresso sono un vettore di dati n-dimensionale dalla quale deriva un unico valore di uscita, determinando così l'operazione di regressione.

I modelli di regressione

Gli algoritmi supervisionati fanno uso di un insieme di campioni e per ogni campione abbiamo l'output corretto.

L'output corretto è associato ad ogni campione di input.

Davanti a questo tipo di situazioni abbiamo un problema supervisionato.

Tra i problemi supervisionati abbiamo due categorie principali: una è la regressione, l'altra è la classificazione.

La regressione consiste nello stimare un valore reale (continuo), mentre la classificazione genera un valore discreto.

1) Regressione lineare - quando la relazione tra le variabili indipendenti è di tipo lineare, abbiamo una regressione lineare.

Regressione Lineare - fonte wikipedia

2) Regressione polinomiale - la funzione che collega le variabili indipendenti dalle variabili dipendenti è un polinomio.

Regressione Polinomiale - fonte Wikipedia

3) Regressione logistica - dalla regressione si vuole ottenere l'individuazione di una proprietà appartenente alle variabili indipendenti. Rileva se tra i dati di input c'è la presenza di una determinata proprietà.

Regressione Logistica - fonte Wikipedia

4) Regressione non parametrica / Semi parametrica - hanno come oggetto di interesse una caratteristica della distribuzione condizionata della variabile dipendente

Regressione non parametrica - fonte wikipedia

5) PCA (Principal component analysis) / Encoding - è una procedura che utilizza la trasformazione ortogonale per convertire un set di variabili correlate in un set di variabili lineari non correlate chiamate "principal components".

Pricipanl component analysis - fonte wikipedia
You’ve successfully subscribed to Jacopo Kahl
Welcome back! You’ve successfully signed in.
Great! You’ve successfully signed up.
Your link has expired
Success! Check your email for magic link to sign-in.