Traduzido do 日本語 • Ver original Olá. Aqui é a Mayuko da Divisão de Soluções de TI.
É mentira. É um Gö☆ de engenheiro extremo.
★ ☆ ↓GO☆ agora está disponível ★ no Youtube ☆
Recentemente, tenho recebido assédio de poder do meu chefe, dizendo: "Não corte esse penteado porque é interessante, se cortar isso, será demitido." Dust
Bem, desta vez vou escrever em nome da Mayu-chan durante as férias de verão. Da última vez eu adivinhei a linguagem, mas desta vez vou tentar adivinhar a altura.
Qual é a diferença? Primeiro, vamos falar sobre modelos categóricos e modelos de regressão. Não sou especialista em estatística, então vou escrever apenas o mínimo necessário para a API de Predição. Poeira
- Modelos categóricos
O resultado esperado é derivado de uma escolha específica (o valor da primeira coluna dos dados que você inseriu). Em outras palavras, ele é usado quando você quer derivar um resultado esperado como "O" ou "X", "bom" ou "justo" ou "ruim". Da última vez que adivinhamos a linguagem, era esse modelo. Se a primeira coluna dos dados de análise (ou seja, a resposta) for uma cadeia, automaticamente será esse modelo.
- Modelos de regressão
O resultado esperado é derivado como um número. Acho que é um modelo de regressão porque fazemos análise de regressão e fornecemos o valor esperado. Chirichiri Essa estimativa de altura é este modelo. Se a primeira coluna (ou seja, a resposta) dos dados da análise for um número, ele automaticamente se tornará esse modelo. No entanto, se mesmo um caso contiver nulo ou uma string na primeira coluna, será um modelo categórico, então tenha cuidado.
Por isso, desta vez vou prever com modelos de regressão. Vamos colocar isso em prática!
Esse modelo prevê sua altura quando você digita seu peso, então crie um arquivo como o seguinte.
[Altura],[Peso]
Criei 20.000 itens usando o Excel. O peso foi gerado aleatoriamente, e a altura foi criada de forma que houvesse uma leve variação baseada nesse peso. Em outras palavras, há uma correlação entre altura e peso. Poeira
Em seguida, vem a API de Previsão.
1.「 Dados de entrada com prediction.trainedmodels.insert e confirme a completude com prediction.trainedmodels.get.
São 20.000 itens, mas há apenas duas colunas, então foi concluído em cerca de 5 minutos. Se a resposta de conclusão devolver "modelType": "regressão", é um modelo de regressão. Aliás, se retorna "modelType": "classificação", é um modelo de categoria.
2.「 previsão.modelos treinados.analisar.
Ao contrário dos modelos categóricos, "modelDescription" não contém os resultados da análise.
"modelDescription": {
"modelinfo": {
"Tipo": "Previsão#Treino"
}
}
Por outro lado, na seção "dataDescription", além do número de casos (contagem), há valores para média (média) e variância (variância).
"numérico": {
"contagem": "20000",
"média": "171,59",
"variação": "450,77"
}
3.「 previsão.modelos treinados.prever".
Vou perguntar quantos centímetros você tem se pesar 75 kg.
{
"entrada": {
"csvInstance": [
"75"
]
}
}
Quando perguntei,
"outputValue": "172.528445"
Voltei. Ou seja, a resposta é 172,5 centímetros. Como a vírgula decimal não foi incluída nos dados de análise, é resultado da análise de regressão. É isso.
Poeira
★ ☆ ↓GO☆ agora está disponível ★ no Youtube ☆
*Este artigo é produzido sob a supervisão da "ISAO IT Solution Division Co., Ltd.".