regressor =

LinearRegression()

regressor =

LogisticRegression()

regressor =

KMeans(n_clusters=3)

regressor =

DBSCAN(eps=0.5)

Бо поліноміальна регресія не відрізняється від лінійної

Бо поліноміальну регресію не можна реалізувати без лінійної складової

Бо використовуємо завжди поліноми першого степеня

Бо поліноміальні ознаки трансформують вхідні X, але модель все одно лишається лінійною за цими новими ознаками

Знаходження оптимального ступеня полінома для наближення даних.

Зведення виходу моделі до одного з кількох фіксованих класів.

Використання дерев рішень для побудови моделі.

Припущення, що між ознаками X та виходом y існує лінійна залежність.

Щоб уникнути перенавчання (overfitting) і чесно оцінити якість моделі на невідомих даних.

Щоб не порушувати авторські права на дані.

Щоб у тренувальному наборі були лише позитивні приклади.

Щоб збільшити швидкість навчання моделі.

Мінімально можливу кількість помилок моделі

Коефіцієнт кореляції між двома змінними

Частку загального розсіювання залежної змінної, яка пояснюється моделлю

Кількість необхідних ітерацій для збіжності

Індекси обраних кластерів.

Середню абсолютну помилку (MAE).

Загальну кількість ітерацій, які зробила модель.

Значення коефіцієнтів (ваг) для кожної ознаки X.

Створює набір кластерів на основі вихідних ознак.

Навчає модель лінійної регресії та одразу повертає її коефіцієнти.

Виконує пошук гіперпараметрів методом перебору.

Трансформує вхідні змінні, додаючи степені (X², X³ тощо), і зберігає внутрішні параметри для подальшого перетворення.

Методи пошуку кластерів без використання вихідних міток.

Процес знаходження залежності між вхідними змінними та неперервною вихідною змінною.

Метод передбачення дискретних значень ознак.

Процес, коли вихідні змінні належать фіксованому набору класів.

Поліноміальну регресію не треба тестувати на невідомих даних.

Модель завжди буде мати R2 = 1.0.

Легше інтерпретувати велику кількість поліноміальних ознак.

Модель може краще наближати нелінійні залежності між X та y.

MedAE потребує попереднього масштабування даних, а MSE – ні.

Обидва виражені в відсотках, тому різниці немає.

MSE завжди більший за MedAE.

MSE чутливіший до викидів, бо штрафує великі відхилення сильніше, тоді як MedAE менш чутливий до викидів.