作者归档 | Vinod Chugani

在我们之前对 Lasso、Ridge 和 ElasticNet 等正则化回归模型进行的探讨中，我们展示了这些模型在处理多重共线性方面的有效性，使我们能够利用更广泛的特征来提升模型性能。在此基础上，我们现在将解决数据预处理中的另一个关键问题——处理缺失值。缺失数据会严重影响 […]

本文将使用 Ames 房屋数据集演示 Lasso、Ridge 和 ElasticNet 模型的使用。当处理可能存在多重共线性的数据时，这些模型尤其有价值。我们利用这些高级回归技术来展示特征缩放和超参数调整如何提高模型性能。在本文中，我们将提供 […]

统计学家和数据科学家面临的一个重大挑战是多重共线性，特别是其最严重的形式——完全多重共线性。这个问题常常在拥有大量特征的大型数据集中 undetected 潜伏，可能伪装自己并扭曲统计模型的結果。在本帖中，我们将探讨检测、处理和优化受此影响的模型的方法 […]

机器学习项目通常需要执行一系列数据预处理步骤，然后是学习算法。单独管理这些步骤可能既麻烦又容易出错。这就是 sklearn pipeline 发挥作用的地方。本文将探讨 pipeline 如何自动化机器学习工作流程中的关键方面，例如数据预处理、特征工程、 […]

在机器学习中分析变量之间的关系时，我们常常发现直线无法完全解释。这时就需要引入多项式变换，为我们的回归模型增加层次，而不会增加计算的复杂性。通过将我们的特征转换为其多项式对应项——平方、立方及其他高次项——我们赋予了线性模型 […]。

线性回归模型是机器学习的基础。仅仅拟合一条直线并读取系数就能告诉我们很多信息。但是，我们如何从这些模型中提取和解释系数，以了解它们对预测结果的影响呢？本文将通过探讨各种场景来演示如何解释系数。我们将探讨 […]。

正确准备分类数据是机器学习中的一个基本步骤，特别是在使用线性模型时。独热编码 (One Hot Encoding) 是一种关键技术，它能够将分类变量转换为机器可理解的格式。本文解释了为什么不能直接使用分类变量，并演示了独热编码的使用 […]。