カテゴリー: ガイド

統計学では、歪度と尖度は分布の形状を測定する 2 つの方法です。 歪度は、分布の歪度の尺度です。この値は正または負の値にすることができます。 負の歪度は、裾が分布の左側にあり、より負の値に向かって広がっていることを示しま […]...

四分位数は、データセットを 4 つの等しい部分に分割する値です。 最初の四分位は、データ セットの 25 パーセンタイルを表します。 2 番目の四分位は、データ セットの 50 パーセンタイルを表します。この値は、データ […]...

機械学習の分野には、データを理解するために使用できる膨大なアルゴリズムのセットが含まれています。これらのアルゴリズムは、次の 2 つのカテゴリのいずれかに分類できます。 1. 教師あり学習アルゴリズム: 1 つ以上の入力 […]...

次の構文を使用するnumpy.random.normal()関数を使用すると、Python で正規分布をすばやく生成できます。 numpy. random . normal (loc=0.0, scale=1.0, si […]...

機械学習アルゴリズムは、教師あり学習アルゴリズムと教師なし学習アルゴリズムという2 つの異なるタイプに分類できます。 教師あり学習アルゴリズムは、次の 2 つのタイプに分類できます。 1. 回帰:応答変数は連続です。 た […]...

データセットに対するモデルのパフォーマンスを評価するには、モデルの予測が観察されたデータとどの程度一致するかを測定する必要があります。 回帰モデルの場合、最も一般的に使用される指標は平均二乗誤差 (MSE) で、次のよう […]...

単純線形回帰は、単一の説明変数と単一の応答変数の間の関係を理解するために使用できる手法です。 簡単に言うと、この手法はデータに最もよく「適合」する線を見つけ、次の形式になります。 ŷ = b 0 + b 1 x 金： ŷ […]...

単純線形回帰は、単一の説明変数と単一の応答変数の間の関係を理解するために使用できる手法です。 この手法は、データに最もよく「適合」する線を見つけ、次の形式になります。 ŷ = b 0 + b 1 x 金： ŷ : 推定応 […]...

単一の予測変数と応答変数の間の関係を理解したい場合、多くの場合、単純な線形回帰が使用されます。 ただし、複数の予測変数と応答変数の間の関係を理解したい場合は、多重線形回帰を使用できます。 p 個の予測子変数がある場合、重 […]...

1 つ以上の予測子変数と連続応答変数の間の関係を理解したい場合、多くの場合、線形回帰が使用されます。 ただし、応答変数がカテゴリカルである場合は、ロジスティック回帰を使用できます。 ロジスティック回帰は、データセット内の […]...