Unit 21. 機器學習超入門方法 - 一元線性回歸與評估指標

單元要先準備事項

• 看過 Unit 17. 機器/深度學習初認識
• 建議看過 Unit 11. EDA (Exploratory Data Analysis) - 資料分布狀況

單元重點

• 學習線性回歸模型與其變數意義
• 學習評估回歸模型的指標
• 利用套件實作簡單線性回歸模型

安裝的套件

• pip install numpy
• pip install matplotlib
• pip install scikit-learn

單元內容

大家學完可以利用之前（Unit 11. EDA (Exploratory Data Analysis) - 資料分布狀況 ）說的 scikit-learn Toy dataset 玩玩看

Code（請配合影片內容教學食用）

（權限設定是使用報名時填寫的 email，單元推出當月有訂閱權限者才有權限，但影片內容有帶 coding 的部分，所以依舊能學到）

Embed Google Drive

推薦閱讀

• （建議一定要看）機器/深度學習: 基礎介紹-損失函數(loss function)

機器/深度學習: 基礎介紹-損失函數(loss function)

機器學習大部分的算法都有希望最大化/最小化一個函數/指標，這個函數被稱為「目標函數(Object…



chih-sheng-huang821.medium.com


• 回歸分析(Regression analysis)的R平方(R squared)與調整後R平方(Adjusted R squared)

回歸分析(Regression analysis)的R平方(R squared)與調整後R平方(Adjusted R squared)

衡量回歸模型表現的兩個指標



medium.com


• 回歸模型的衡量標準：MSE. RMSE. MAE. MPE

ithelp.ithome.com.tw

ithelp.ithome.com.tw

• 均方误差(MSE)和均方根误差(RMSE)和平均绝对误差(MAE)

均方误差(MSE)和均方根误差(RMSE)和平均绝对误差(MAE)_mse和rmse的区别_医学影像处理的博客-CSDN博客

MSE: Mean Squared Error 均方误差是指参数估计值与参数真值之差平方的期望值; MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。MSE=1N∑t=1N(observedt−predictedt)2MSE=\frac{1}{N}\sum_{t=1}^{N}(observed_t-predicted_t)^2 RMSE_mse和rmse的区别



blog.csdn.net