Sisteme de asistare a deciziei

Imagine preview
(7/10 din 1 vot)

Acest laborator prezinta Sisteme de asistare a deciziei.
Mai jos poate fi vizualizat cuprinsul si un extras din document (aprox. 2 pagini).

Arhiva contine 1 fisier docx de 12 pagini .

Profesor: dasd

Iti recomandam sa te uiti bine pe extras, cuprins si pe imaginile oferite iar daca este ceea ce-ti trebuie pentru documentarea ta, il poti descarca.

Fratele cel mare te iubeste, acest download este gratuit. Yupyy!

Domeniu: Calculatoare

Cuprins

1.Liniar Regression 3
2.Logistic Regression 4
3. Polinomial Regression 7
4. Stepwise Regression 8
5.Ridge regression 10
6. ElasticNet Regression 11

Extras din document

1.Liniar Regression

Prin regresia liniara se realizeaza o prezicerea a lui Y in baza lui X, variabila predictive. O astfel de relatie poate fi reprezentata ca fiind: Y ≈ ɒ + ß X + ℇ. ɒ și ß reprezinta termenii pantei si al interceptarii in model, iar ℇ reprezinta eroarea pentru estimare.

Exemplu:

import numpy as np

import matplotlib.pyplot as plt

def estimate_coef(x, y):

# number of observations/points

n = np.size(x)

# mean of x and y vector

m_x, m_y = np.mean(x), np.mean(y)

# calculating cross-deviation and deviation about x

SS_xy = np.sum(y*x) - n*m_y*m_x

SS_xx = np.sum(x*x) - n*m_x*m_x

# calculating regression coefficients

b_1 = SS_xy / SS_xx

b_0 = m_y - b_1*m_x

return(b_0, b_1)

def plot_regression_line(x, y, b):

# plotting the actual points as scatter plot

plt.scatter(x, y, color = "m",

marker = "o", s = 30)

# predicted response vector

y_pred = b[0] + b[1]*x

# plotting the regression line

plt.plot(x, y_pred, color = "g")

# putting labels

plt.xlabel('x')

plt.ylabel('y')

# function to show plot

plt.show()

def main():

# observations

x = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

y = np.array([1, 3, 2, 5, 7, 8, 8, 9, 10, 12])

# estimating coefficients

b = estimate_coef(x, y)

print("Estimated coefficients:nb_0 = {}

nb_1 = {}".format(b[0], b[1]))

# plotting regression line

plot_regression_line(x, y, b)

if __name__ == "__main__":

main()

2.Logistic Regression

Regresia logistică este utilizată pentru a găsi probabilitatea evenimentului = Succes și eveniment = Eșec. Ar trebui să folosim regresia logistică atunci când variabila dependentă este binară (0/1, Adevărat / Fals, Da / Nu) în natură. Aici valoarea lui Y variază de la 0 la 1 și poate fi reprezentată prin următoarea ecuație.

Este folosita pentru a estima probabilitatea succesului si al esecului unui eveniment. Acest tip de regresie este folosit atunci cand variabila dependenta este binara in natura.

Fisiere in arhiva (1):

  • Sisteme de asistare a deciziei.docx