6 Algoritma Regresi Teratas yang Harus Diketahui Setiap Penggemar Pembelajaran Mesin

Algoritma regresi adalah algoritma pembelajaran mesin dan ini adalah jenis pembelajaran yang diawasi. Ini adalah model statistik. Tujuan utama dari algoritma pembelajaran terawasi adalah menemukan hubungan antara variabel dan estimasi nilai untuk data baru. Dan nilai estimasi berdasarkan variabel bebas. Mereka bisa disebut tugas regresi.

Mengapa kunci Regresi untuk Masalah Pembelajaran Mesin:

Regresi diperlukan untuk masalah pembelajaran mesin apa pun yang mencakup penjualan tahunan nyata dan aplikasi kehidupan nyata.

  • Perkiraan deret waktu
  • Analisis Tren
  • Analisis cuaca
  • Peramalan Keuangan
  • Analisis Pemasaran

Algoritma Regresi yang paling populer adalah regresi linier, regresi logistik, regresi multivariat,

1) Lmodel regresi linier:

Regresi linier sederhana memungkinkan kita untuk menemukan nilai yang diharapkan dari variabel acak. analisis regresi yang menentukan intensitas hubungan antar variabel yang membentuk model.

Prakiraan regresi linier sederhana merupakan model optimal untuk pola permintaan dengan kecenderungan (naik atau turun), yaitu pola yang menunjukkan hubungan linieritas antara permintaan dan waktu.

Analisis regresi:

Tujuan dari analisis regresi adalah untuk menentukan hubungan antara variabel dependen dan satu atau lebih variabel independen. Untuk melakukan hubungan ini, hubungan fungsional antara variabel harus didalilkan.

Aplikasi ramalan regresi linier:

· Regresi linier dapat digunakan dalam bisnis untuk memperkirakan tren, riset pasar, dan analisis hasil survei pelanggan

  • Regresi linier digunakan dalam penjualan, penetapan harga, dan promosi suatu produk
  • Regresi linier juga dapat digunakan untuk memprediksi prediksi portofolio keuangan, peramalan gaji, prediksi real estat.

2) Regresi Lasso:

Singkatan dari “LASSO” adalah singkatan dari Least Absolute Shrinkage and Selection Operator.

Regresi Lasso menggunakan penyusutan untuk menyusut ke arah variabel seperti mean.

LASSO (Operator pengurangan dan pemilihan minimum absolut) adalah metode regresi yang melibatkan penghukuman ukuran absolut dari koefisien regresi.

Dengan menghukum (atau secara setara membatasi jumlah nilai absolut dari perkiraan) Kamu berakhir dalam situasi di mana beberapa perkiraan parameter mungkin persis nol. Semakin tinggi hukuman yang diterapkan, perkiraan tambahan dikurangi menjadi nol.

Ini nyaman ketika kita menginginkan pemilihan variabel secara otomatis, atau ketika menyangkut prediktor yang sangat berkorelasi, di mana regresi standar umumnya akan memiliki koefisien regresi yang “terlalu besar”.

Aplikasi Regresi Lasso:

  • Regresi Lasso dapat digunakan dalam jaringan keuangan dan ekonomi.
  • Regresi Lasso juga dapat digunakan untuk melakukan platform uji stres untuk memprediksi skenario stres
  • Model regresi berbasis Lasso digunakan untuk mengetahui risiko Skelton untuk perusahaan.

Baca juga: Keras vs TensorFlow – Ketahui Perbedaannya

3) Regresi logistik:

Regresi Logistik Sederhana, yang dikembangkan oleh David Cox pada tahun 1958, adalah metode regresi yang memungkinkan memperkirakan probabilitas variabel kualitatif biner berdasarkan variabel kuantitatif. Salah satu aplikasi utama dari regresi logistik adalah klasifikasi biner, di mana pengamatan diklasifikasikan dalam satu kelompok atau yang lain tergantung pada nilai yang diambil oleh variabel yang digunakan sebagai prediktor.

Teknik regresi logistik adalah teknik yang paling umum digunakan untuk mendeteksi kecurangan. Beberapa perusahaan menerapkan teknik ini untuk mengetahui penipuan seperti penilaian kartu kredit dan uji klinis.

Keuntungan dari regresi logistik:

  • Ini adalah teknik yang sangat efektif, tidak memerlukan terlalu banyak sumber daya komputasi.
  • itu menghasilkan probabilitas prediksi yang terukur dengan baik.
  • Regresi logistik juga dapat digunakan untuk mengukur kinerja algoritma yang kompleks.

Aplikasi:

  • Regresi logistik dapat digunakan untuk memprediksi nilai rumah di pasar.
  • Kami juga dapat menggunakan untuk memprediksi nilai pelanggan di sektor asuransi

4) Mendukung Mesin Vektor:

Mesin vektor dukungan (SVM) adalah seperangkat algoritma pembelajaran terawasi yang dikembangkan oleh Vladimir Vapnik dan timnya di laboratorium AT&T.

Seperti pada kebanyakan metode klasifikasi terawasi, data masukan dipandang sebagai vektor dimensi-p.

SVM mencari hyperplane yang secara optimal memisahkan titik-titik dari satu kelas dari yang lain, yang akhirnya dapat diproyeksikan sebelumnya ke ruang berdimensi lebih tinggi.

Model berdasarkan SVM terkait erat dengan jaringan saraf. Menggunakan fungsi kernel, mereka adalah metode pelatihan alternatif untuk pengklasifikasi polinomial, fungsi basis radial, dan perceptron multilayer.

Aplikasi:

Dukungan algoritma mesin vektor dapat ditemukan di industri minyak gas untuk membuat model 2D dan 3D sebagai representasi dari lapisan tanah.

5) Algoritma Regresi Multi-Variasi:

Teknik regresi multivariat digunakan, ketika pengguna ingin memprediksi lebih dari satu variabel disebut model regresi multivariat. Dan itu adalah salah satu algoritma diawasi yang efisien. Kita dapat memprediksi variabel respon untuk satu set variabel penjelas.

Teknik regresi ini sering diterapkan secara cepat dengan bantuan operasi matriks dan dengan Python, sering diterapkan melalui perpustakaan “numpy” yang berisi definisi dan operasi untuk objek matriks.

Aplikasi:

Regresi multivariat dapat digunakan dalam pengambilan keputusan untuk mengetahui faktor-faktor yang mempengaruhi keuntungan dan sebagian besar penerapan regresi multivariat dapat dilihat di industri ritel.

6) Algoritma Regresi Berganda:

Sebagian besar perusahaan menggunakan aplikasi regresi berganda untuk mengetahui harga produk dan harga real estat serta perilaku pasar.

Tidak seperti teknik regresi, korelasi ganda, mungkin kategori regresi yang lebih luas yang mencakup regresi linier dan nonlinier dengan beberapa variabel instruktif.

Aplikasi:

  • Regresi berganda dapat digunakan dalam analisis perilaku produk dan industri.
  • Beberapa perusahaan menggunakan regresi berganda untuk melakukan penelitian ilmu sosial.
Rate this post
Share Jika Bermanfaat Ya 🙂

Leave a Comment