Реализация алгоритмов классификационного анализа данных на языке Python
Введение
Современный мир генерирует огромные объемы данных, и их анализ становится всё более важным для принятия различных решений. Одним из наиболее распространенных методов анализа данных является классификационный анализ.
В классификационном анализе данных мы занимаемся поиском закономерностей в данных, а затем обучаем модели, которые могут классифицировать новые данные на основе найденных закономерностей.
В данной курсовой работе мы посмотрим на реализацию алгоритмов классификационного анализа данных на языке Python и их применение в различных областях.
Теоретические основы реализации классификации
1.1. Основные определения реализация алгоритмы классификации данных
В машинном обучении принято выделять 3 вида обучения – это обучение с учителем (supervised learning), обучение без учителя (unsupervised learning), а также обучение с подкреплением (reinforcement learning).
Обучение с учителем - это процесс обучения модели на основе данных, для которых известны правиль
Оглавление
Введение
1. Теоретические основы реализации классификации
1.1. Основные определения реализация алгоритмы классификации данных
1.2. Описание алгоритма и приведение решения подобной задачи с подробным решением.
2. Практическое применения реализации алгоритмов классификации данных.
2.1 Постановка задачи классификации на примере датасета (своего)
2.2 Решение поставленной задачи (библиотеки, из какой области задача, полный разбор задач)
Заключение.
Список используемых источников.
Приложение 1
Список использованных источников
Используемая литература:
1. Линейные модели / Станислав Федотов, Филипп Синицин. URL : [https://academy.yandex.ru/handbook/ml/article/linear-models]
2. Метрические методы / Дмитрий норкин. URL : [https://academy.yandex.ru/handbook/ml/article/metricheskiye-metody]
3. Метрики классификации и регрессии / Губко Павел, Горчаков Алексей, Буркина Мария.URL : [https://academy.yandex.ru/handbook/ml/article/metriki-klassifikacii-i-regressii]
4. Вероятностный подход в ML / Станислав Федотов.URL : [https://academy.yandex.ru/handbook/ml/article/veroyatnostnyj-podhod-v-ml]
5. Kevin Murphy - Machine Learning: A Probabilistic Perspective, 2012. – c. 1098.
6. 4 Types of Classification Tasks in Machine Learning - URL : [https://machinelearningmastery.com/types-of-classification-in-machine-learning/?ref=helenkapatsa.ru]
7. Герон Орельен – Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2017, c.510.
8. Джозеф Ричардс, Марк Фетерольф, и Хенрик Бринк – “ Real-World Machine Learning”, 2016, c.264.
9. Peter Harrington – “Machine Learning in Action”, 2012, c. 382.
10. Joel Grus – “Data Science from Scratch”, 2015, c. 336.
11. Математические методы обучения по прецендентам(теория обучения машин) / Константин Воронцов. URL : [http://www.machinelearning.ru/wiki/images/6/6d/voron-ml-1.pdf]
12. Mitchell T. Machine Learn
Логистическая регрессия - это один из наиболее часто используемых методов классификации в машинном обучении. Она используется для прогнозирования вероятности отнесения объекта к одному из классов на основе его признаков. Основная идея логистической регрессии заключается в том, чтобы найти линейную комбинацию признаков, которая лучше всего разделяет классы. Для этого используется логистическая функция, которая преобразует линейную комбинацию признаков в вероятность принадлежности объекта к одному из классов.
Главная проблема заключается в том, что вероятность – величина от 0 до 1, поэтому для того, чтобы