regressor =

LinearRegression()

regressor =

LogisticRegression()

regressor =

DBSCAN(eps=0.5)

regressor =

KMeans(n_clusters=3)

Бо поліноміальна регресія не відрізняється від лінійної

Бо використовуємо завжди поліноми першого степеня

Бо поліноміальну регресію не можна реалізувати без лінійної складової

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

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.

Знаходження оптимального ступеня полінома для наближення даних.

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.

Коефіцієнт кореляції між двома змінними

Кількість необхідних ітерацій для збіжності

Мінімально можливу кількість помилок моделі

Частку загального розсіювання залежної змінної, яка пояснюється моделлю

Загальну кількість ітерацій, які зробила модель.

Середню абсолютну помилку (MAE).

Значення коефіцієнтів (ваг) для кожної ознаки X.

Індекси обраних кластерів.

Створює набір кластерів на основі вихідних ознак.

Виконує пошук гіперпараметрів методом перебору.

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

Навчає модель лінійної регресії та одразу повертає її коефіцієнти.

Процес знаходження залежності між вхідними змінними та неперервною вихідною змінною.

Методи пошуку кластерів без використання вихідних міток.

Процес, коли вихідні змінні належать фіксованому набору класів.

Метод передбачення дискретних значень ознак.

Модель завжди буде мати R2 = 1.0.

Модель може краще наближати нелінійні залежності між X та y.

Легше інтерпретувати велику кількість поліноміальних ознак.

Поліноміальну регресію не треба тестувати на невідомих даних.

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

Обидва виражені в відсотках, тому різниці немає.

MSE завжди більший за MedAE.

MedAE потребує попереднього масштабування даних, а MSE – ні.