Vanliga maskininlärningsalgoritmer

Linjär regression

• Predikterar ett kontinuerligt värde baserat på en oberoende variabel.
• Praktiska steg:
  • Samla in data.
  • Normalisera data (om nödvändigt).
  • Dela upp data i tränings- och testuppsättningar.
  • Träna modellen med träningsuppsättningen.
  • Utvärdera modellen med testuppsättningen.

Logistisk regression

• Klassificerar data i två kategorier (binär klassificering).
• Praktiska steg:
  • Följ samma steg som för linjär regression.
  • Använd en sigmoidfunktion för att mappa utdata till en sannolikhet.

Beslutsträd

• Skapar ett trädliknande diagram som representerar beslutsprocessen.
• Praktiska steg:
  • Samla in data.
  • Normalisera data.
  • Välj en splittningsfunktion.
  • Bygg trädet rekursivt.
  • Prune trädet (om nödvändigt).

Random forests

• Kombinerar flera beslutsträd till en ensemblemodell.
• Praktiska steg:
  • Samla in data.
  • Normalisera data.
  • Skapa flera beslutsträd.
  • Kombinera förutsägelserna från träden.

Support Vector Machines (SVM)

• Klassificerar data genom att rita hyperplan som separerar klasser.
• Praktiska steg:
  • Samla in data.
  • Normalisera data.
  • Välj en kernefunktion.
  • Träna modellen.

K-närmaste grannar (KNN)

• Klassificerar data baserat på likheten med de k närmaste datapunkterna.
• Praktiska steg:
  • Samla in data.
  • Välj ett värde för k.
  • Beräkna avstånden mellan datapunkterna.
  • Klassificera datapunkterna baserat på etiketterna för grannarna.

Python-exempel

import sklearn

# Linjär regression
model = sklearn.linear_model.LinearRegression()
model.fit(X_train, y_train)

# Logistisk regression
model = sklearn.linear_model.LogisticRegression()
model.fit(X_train, y_train)

# Beslutsträd
model = sklearn.tree.DecisionTreeClassifier()
model.fit(X_train, y_train)

# Random forests
model = sklearn.ensemble.RandomForestClassifier()
model.fit(X_train, y_train)

# SVM
model = sklearn.svm.SVC()
model.fit(X_train, y_train)

# KNN
model = sklearn.neighbors.KNeighborsClassifier()
model.fit(X_train, y_train)