Chapter 7. Regression –Recommendati

Chapter 7. Regression –
Recommendations
You have probably learned about regression already in high school mathematics
class, this was probably called ordinary least squares (OLS) regression then. This
centuries old technique is fast to run and can be effectively used for many realworld
problems. In this chapter, we will start by reviewing OLS regression and
showing you how it is available in both NumPy and scikit-learn.
In various modern problems, we run into limitations of the classical methods and
start to benefit from more advanced methods, which we will see later in this
chapter. This is particularly true when we have many features, including when we
have more features than examples (which is something that ordinary least squares
cannot handle correctly). These techniques are much more modern, with major
developments happening in the last decade. They go by names such as lasso, ridge,
or elastic nets. We will go into these in detail.
Finally, we will start looking at recommendations. This is an important area in
many applications as it is a significant added-value to many applications. This is a
topic that we will start exploring here and will see in more detail in the next
chapter

Kết quả (Việt) 1:

Chương 7. Hồi quy –Khuyến nghịCó lẽ bạn đã học được về các hồi quy đã có trong trường trung học toán họclớp, điều này có thể được gọi là bình thường tối thiểu (OLS) hồi quy sau đó. Điều nàythế kỷ cũ kỹ thuật là nhanh chóng để chạy và có thể được hiệu quả sử dụng cho nhiều realworldvấn đề. Trong chương này, chúng tôi sẽ bắt đầu bằng cách xem xét OLS hồi quy vàĐang hiển thị bạn làm thế nào nó có sẵn trong cả hai NumPy và scikit-tìm hiểu.Trong các vấn đề hiện đại, chúng tôi chạy vào những hạn chế của phương pháp cổ điển vàbắt đầu được hưởng lợi từ phương pháp tiên tiến hơn, chúng ta sẽ thấy sau này trong điều nàychương. Điều này đặc biệt đúng khi chúng tôi có nhiều tính năng, bao gồm cả khi chúng tôicó nhiều tính năng hơn ví dụ (đó là cái gì đó tối thiểu bình thườngkhông thể xử lý một cách chính xác). Các kỹ thuật này là nhiều hơn nữa hiện đại, với chínhsự phát triển xảy ra trong thập kỷ qua. Họ đi bằng cái tên như lasso, ridge,hoặc đàn hồi lưới. Chúng tôi sẽ đi vào các chi tiết.Cuối cùng, chúng tôi sẽ bắt đầu nhìn vào khuyến nghị. Đây là một khu vực quan trọngnhiều ứng dụng vì nó là một đáng kể thêm giá trị cho nhiều ứng dụng. Đây là mộtchủ đề mà chúng tôi sẽ bắt đầu khám phá ở đây và sẽ thấy chi tiết hơn trong tiếp theochương

Kết quả (Việt) 2:

Chương 7. Regression -
Khuyến nghị
Bạn đã có thể học được về hồi quy đã có trong toán học cao học
lớp, điều này có thể được gọi là bình phương nhỏ nhất (OLS) hồi quy sau đó. Điều này
nhiều thế kỷ kỹ thuật cũ là nhanh để chạy và có thể được sử dụng hiệu quả cho nhiều RealWorld
vấn đề. Trong chương này, chúng ta sẽ bắt đầu bằng cách xem xét hồi quy OLS và
hiển thị cho bạn làm thế nào nó có sẵn trong cả hai NumPy và scikit-học.
Trong vấn đề hiện đại khác nhau, chúng tôi chạy vào những hạn chế của các phương pháp cổ điển và
bắt đầu hưởng lợi từ phương pháp tiên tiến hơn, mà chúng tôi sẽ thấy sau này
chương. Điều này đặc biệt đúng khi chúng ta có nhiều tính năng, bao gồm cả khi chúng tôi
có thêm nhiều tính năng hơn so với ví dụ (mà là một cái gì đó bình phương nhỏ nhất
không thể xử lý một cách chính xác). Những kỹ thuật này nhiều hơn nữa hiện đại, với chính
sự phát triển diễn ra trong thập kỷ qua. Họ đi theo các tên tuổi như Lasso, sườn núi,
hoặc lưới đàn hồi. Chúng tôi sẽ đi vào các chi tiết.
Cuối cùng, chúng ta sẽ bắt đầu xem xét các khuyến nghị. Đây là một lĩnh vực quan trọng trong
nhiều ứng dụng vì nó là một giá trị gia tăng đáng kể cho nhiều ứng dụng. Đây là một
chủ đề mà chúng ta sẽ bắt đầu khám phá ở đây và sẽ thấy chi tiết hơn trong các kế
chương