Introduction
Dans ce laboratoire, nous allons explorer les modèles linéaires dans scikit-learn. Les modèles linéaires sont un ensemble de méthodes utilisées pour les tâches de régression et de classification. Ils supposent que la variable cible est une combinaison linéaire des caractéristiques. Ces modèles sont largement utilisés en apprentissage automatique en raison de leur simplicité et de leur interprétabilité.
Nous aborderons les sujets suivants :
- Moindres carrés ordinaires
- Régression Ridge
- Lasso
- Régression logistique
- Descente de gradient stochastique
- Perceptron
Commencez avec Supervised Learning: Regression, si vous n'avez pas d'expérience antérieure en apprentissage automatique.
Conseils sur la VM
Une fois le démarrage de la VM terminé, cliquez dans le coin supérieur gauche pour basculer vers l'onglet Notebook pour accéder à Jupyter Notebook pour la pratique.
Parfois, vous devrez peut-être attendre quelques secondes pour que Jupyter Notebook ait fini de charger. La validation des opérations ne peut pas être automatisée en raison des limitations de Jupyter Notebook.
Si vous rencontrez des problèmes pendant l'apprentissage, n'hésitez pas à demander à Labby. Donnez des commentaires après la session, et nous résoudrons rapidement le problème pour vous.