Публикации по теме 'data-mining'
Автоматический анализ тенденций активности клиентов с использованием линейной регрессии
Когда ваш бизнес имеет дело с большим количеством клиентов, сложно угодить всем им и быть уверенным, что все они будут продолжать покупать ваши продукты или услуги. Даже если ваша выручка растет — это не значит, что все хорошо, так как приходят какие-то новые клиенты, а старые клиенты могут получить какие-то проблемы и снизить активность, а то и вовсе уйти.
Чтобы поддерживать максимальный рост вашего бизнеса, очень важно следить за тем, чтобы большинство клиентов были довольны и..
Линейная регрессия
Линейная регрессия — это алгоритм машинного обучения, основанный на обучении с учителем. Он выполняет задачу регрессии. Регрессия моделирует целевое значение прогноза на основе независимых переменных. Связь между независимой и зависимой переменной известна как модель линейной регрессии. Существует два типа линейной регрессии — простая и множественная.
(I) Простая линейная регрессия. Простая линейная регрессия — это регрессионная модель, которая оценивает взаимосвязь между одной..
Часть 2: Учебное пособие. Создание модели случайного леса в Orange?
Это вторая часть цикла Что такое апельсин . Настоятельно рекомендуется прочитать Часть 1 — Что такое Orange , прежде чем приступить к изучению этого руководства.
Об учебнике
Мы будем использовать набор данных Kaggle Housing Prices для прогнозирования цен на жилье с использованием модели случайного леса. Загрузите файлы train.csv и test.csv с сайта kaggle. Следует отметить, что основная цель этого руководства — изучить Orange и быстро создать базовую модель для..
Обнаружение аномалий: выявление необычных закономерностей в ваших данных
Обнаружение аномалий — это процесс выявления необычных шаблонов или выбросов в ваших данных. Эти аномалии могут быть вызваны различными факторами, такими как ошибки измерения, повреждение данных или мошеннические действия. В этом сообщении блога мы рассмотрим различные методы обнаружения аномалий в ваших данных с помощью Python и библиотеки scikit-learn. Мы выполним шесть (6) простых шагов, чтобы выявить аномалии в любом наборе данных.
Загрузите данные . Первый шаг — загрузить..
Интеллектуальный анализ данных и машинное обучение
СБОР ДАННЫХ И МАШИННОЕ ОБУЧЕНИЕ
Изучение доступных наборов данных для поиска закономерностей и аномалий известно как интеллектуальный анализ данных. Техника обучения на разнородных данных таким образом, который может предсказывать или предсказывать неизвестные/будущие значения, известна как машинное обучение. Вместе эти две идеи позволяют отображать исторические данные и предвидеть будущие данные.
Интеллектуальный анализ данных
Целью интеллектуального анализа данных является..
Наука о данных и машинное обучение
Наука о данных связана с интеллектуальным анализом данных , машинным обучением и большими данными .
Интеллектуальный анализ данных — это процесс обнаружения закономерностей в больших наборах данных , включающий методы на стыке машинного обучения , статистики и систем баз данных .
Машинное обучение ( ML ) — это изучение компьютерных алгоритмов, которые автоматически улучшаются благодаря опыту, как подмножество искусственного интеллекта .
Алгоритмы машинного обучения строят..
10 самых популярных алгоритмов интеллектуального анализа данных
Изучение алгоритмов интеллектуального анализа данных не для слабонервных, а литература в Интернете делает это еще более пугающим. Кажется, что большая часть информации по интеллектуальному анализу данных в Интернете написана докторами наук для других докторов наук.
Вот следующее подробное описание десяти лучших алгоритмов интеллектуального анализа данных, которые, похоже, привлекают много внимания и объема поиска в Google. В духе демистификации этих алгоритмов я старался использовать..
