در این درس به پیاده سازی رگرسیون خطی در نرم افزار IBM SPSS Modeler می پردازیم و با استفاده از دیتاست Car Insurance Claims ابتدا متغیر های موجود را بررسی می نماییم و متغیر هایی را که نیاز به تغییراتی برای مدلسازی ما دارند را آماده می نماییم. برای تبدیل متغیرهای Nominal از روش flag […]
پیاده سازی رگرسیون خطی Read More »
وجود رابطه خطی بین ویژگی های ورودی و فیلد هدف توزیع نرمال خطاهای مدل رگرسیونی با میانگین صفر و واریانس ثابت عدم همبستگی بین خطاهای مدل رگرسیونی عدم هم خطی بین ویژگی های ورودی به مدل وجود رابطه خطی بین ویژگی های ورودی و فیلد هدف یکی از فرضیات اساسی مدل رگرسیون خطی، وجود ارتباط
بررسی مفروضات مدل رگرسیون خطی Read More »
پس از برآورد ضرایب و ساخت مدل رگرسیونی، آزمون های فرض آماری جهت بررسی معناداری برازش مدل خطی و جزئیات بدست آمده بکار می رود. این آزمون ها در دو سطح معناداری مدل را مورد بررسی قرار می دهد: معناداری برازش مدل خطی بر اساس جدول تحلیل واریانس ANOVA معناداری ضرایب مدل خطی بر اساس
آزمون های فرض مدل و بیان 2 نوع معناداری Read More »
روش حداقل مربعات معمولی (Ordinary Least Square Method – OLS) این روش به عنوان رایج ترین و پرکاربردترین رویکرد در برآورد پارامترهای مدل رگرسیون مورد استفاده قرار می گیرد. برای محاسبه ضرایب مدل، با استفاده از محاسبات ماتریسی در جبر خطی بهترین مقادیر برای پارامترهای مجهول مدل به شکلی یافت می شود که مجموع مربعات
برآورد ضرایب مدل و معرفی 3 روش Read More »
رگرسیون خطی یکی از پرکاربردترین الگوریتم های یادگیری آماری با هدف بررسی و مدلسازی ارتباط خطی بین یک یا چند ویژگی ورودی مستقل از هم با متغیر وابسته (پاسخ) می باشد. رگرسیون خطی از نوع یادگیری با نظارت با هدف پیش بینی مقادیر کمی است. اگر رابطه خطی بین یک متغیر پاسخ و یک متغیر
مقدمه ای بر رگرسیون خطی Read More »
قضیه ی بیز احتمال رخ دادن یک پیشامد را هنگامی که پیشامد دیگر اتفاق افتاده باشد، بدست میآورد. همانطور که در معادله ی زیر مشاهده می کنید، با استفاده از تئوری بیز ،خواهیم توانست احتمال رخ دادن A را هنگامی که B اتفاق افتاده باشد، بدست آوریم. در اینجا، B شواهد و A فرضیه است.
در این ویدیو پیاده سازی درخت های رگرسیون را می آموزیم؛ همانطور که در گذشته گفته شد درخت های تصمیم گیری می توانند در در حالت Classification و Regression عمل نمایند. در این آموزش از دیتاست Car Insurance Claims استفاده می نماییم و در نرم افزار IBM SPSS Modeler اجرا می کنیم: Pallet Bar 🡺
درخت های رگرسیونی و ارزیابی در نرم افزار Read More »
در مبحث داده های نامتوازن اگر بخواهیم بررسی دقیق تری از مدل های ترسیم شده داشته باشیم باید به سراغ شاخص های ارزیابی برویم؛ از جمله همان شاخص هایی که در ویدیوهای قبل به صورت تئوری توضیح داده شد. این شاخص ها، وضعیت رده بندی را در هر یک از کلاس ها بررسی می کنند.
ماتریس در هم ریختگی و داده های نامتوازن Read More »
در این آموزش بر روی دیتاست BankLoan مدل سازی داده ها و پیاده سازی درخت تصمیم را در IBM SPSS Modeler انجام خواهیم داد. برای شروع مدلسازی ابتدا فیلد هدف و فیلد های موثر را تعریف می نماییم و سپس دیتاست را به دو قسمت تست و آموزش تقسیم می نماییم. Pallet Bar 🡺 Field
پیاده سازی درخت تصمیم در نرم افزار Read More »
یکی از مسائل رایج در رده بندی، توزیع داده های نامتوازن در کلاس های فیلد هدف می باشد. این مساله زمانی رخ میدهد که تعداد مشاهدات مربوط به یک کلاس به طور چشمگیری کمتر از مشاهداتی باشد که به کلاس دیگر تعلق دارند. این مشکل بیشتر در سناریوهایی که کشف ناهنجاری ها در آنها حیاتی
داده های نامتوازن؛ چالش ها و روش برخورد با آنها Read More »
برای دریافت مشاوره رایگان، فرم زیر را پر کنید تا کارشناسان ما با شما تماس بگیرند.
