Angewandtes maschinelles Lernen und KI für Ingenieure

Kapitel 2. Regressionsmodelle

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Du hast in Kapitel 1 gelernt, dass es zwei Arten von überwachten Lernmodellen gibt: Regressionsmodelle und Klassifikationsmodelle. Du hast auch gelernt, dass Regressionsmodelle numerische Ergebnisse vorhersagen, z. B. den Preis, für den ein Haus verkauft wird, oder die Anzahl der Besucher einer Website. Die Regressionsmodellierung ist ein wichtiger und manchmal unterschätzter Aspekt des maschinellen Lernens. Einzelhändler nutzen sie, um die Nachfrage vorherzusagen. Banken nutzen es, um Kreditanträge zu prüfen und dabei Variablen wie Kreditscores, Verschuldungsgrad und Beleihungsquote zu berücksichtigen. Versicherungsgesellschaften nutzen es, um Prämien festzulegen. Wann immer du numerische Vorhersagen benötigst, ist die Regressionsmodellierung das richtige Werkzeug für diese Aufgabe.

Wenn du ein Regressionsmodell erstellst, ist die erste und wichtigste Entscheidung, die du treffen musst, welcher Lernalgorithmus verwendet werden soll. In Kapitel 1 wurde ein einfaches Drei-Klassen-Klassifizierungsmodell vorgestellt, bei dem der Lernalgorithmus k-nearest neighbors verwendet wurde, um eine Irisart anhand der Maße der Kelch- und Blütenblätter zu identifizieren. k-nearest neighbors kann auch für die Regression verwendet werden, aber es ist nur einer von vielen Algorithmen, die du für numerische Vorhersagen verwenden kannst. ...