Apprendimento per regressione

Nel machine learning la regressione lineare è una tecnica di classificazione degli esempi di un dataset ( insieme di training ) per consentire alla macchina di apprendere automaticamente un modello decisionale.

    Come funziona

    L'algoritmo assegna delle etichette ( categorie ) alle istanze utilizzando una funzione continua.

    Ogni riga del dataset è un esempio composto da:

    • Gli attributi (X). Sono le variabili predittive che descrivono una categoria.
    • Il risultato (Y). E' la variabile target che indica alla macchina il risultato corretto se l'istanza appartenesse all'etichetta Z. E' il dato che istruisce la macchina a decidere in modo giusto.

    L'algoritmo di machine learning deve trovare una relazione tra le variabili X e Y tramite la regressione.

    y=(x)

    Il risultato finale è una linea retta che minimizza la distanza tra gli N esempi dell'insieme di training che appartengono alla stessa categoria.

    un esempio pratico di regressione nel machine learning

    Una volta trovata, la funzione di classificazione può essere utilizzata per valutare istanze diverse dall'insieme di training.

    Se le coordinate (x,y) di un'istanza si avvicinano alla funzione di regressione f(x), l'istanza viene classificata con l'etichetta Z.

    E così via.



    Segnalami un errore, un refuso o un suggerimento per migliorare gli appunti

    Questo sito utilizza cookie tecnici. Sono presenti alcuni cookie di terzi ( Gooogle, Facebook ) per la personalizzazione degli annunci pubblicitari. Cliccando su OK, scorrendo la pagina o proseguendo la navigazione in altra maniera acconsenti all’uso dei cookie.

    Per ulteriori informazioni o per revocare il consenso fai riferimento alla Privacy del sito.
    knowledge base

    Libri di approfondimento

    Machine Learning (ML)