Пассивно-агрессивная регрессия в машинном обучении
Пассивно-агрессивная регрессия относится к категории онлайн-обучения в машинном обучении. Это не самый популярный и часто используемый алгоритм машинного обучения, но, тем не менее, его можно использовать для получения эффективных результатов, которые решают задачи, основанные на регрессии. Итак, если вы никогда раньше не использовали пассивно-агрессивные алгоритмы, эта статья для вас. В этой статье я познакомлю вас с алгоритмом пассивно-агрессивной регрессии в машинном обучении и его реализацией с использованием Python.
Пассивно-агрессивная регрессия
Пассивно-агрессивная регрессия – это алгоритм регрессии, который относится к категории онлайн-обучения в машинном обучении. Вы, должно быть, ничего слышали об онлайн-обучении, это категория машинного обучения, в которой вы обучаете модель машинного обучения постепенно, загружая ее экземпляры последовательно, индивидуально или группами (так называемые мини-пакеты).
При онлайн-обучении модель машинного обучения обучается и развертывается в производственной среде, чтобы продолжать обучение по мере поступления новых данных. Таким образом, пассивно-агрессивная стратегия идеально подходит для использования в задачах, когда данные передаются в непрерывном потоке. Надеюсь, вы поняли алгоритм пассивно-агрессивной регрессии в машинном обучении. В следующем разделе я расскажу вам о его реализации с использованием Python.
Пассивно-агрессивная регрессия с использованием Python
Набор данных, который я использую для реализации этого алгоритма, основан на рекламе продукта, а наша задача – спрогнозировать продажи продукта на основе суммы, которую мы тратим на различные каналы рекламы для нашего продукта. Итак, ниже показано, как вы можете реализовать этот алгоритм для прогнозирования продаж продукта с помощью Python:
import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.linear_model import PassiveAggressiveRegressor data = pd.read_csv("https://biconsult.ru/img/datascience-ml-ai/Advertising.csv") x = np.array(data.drop(["Sales"], 1)) y = np.array(data["Sales"]) xtrain, xtest, ytrain, ytest = train_test_split(x, y, test_size=0.2, random_state=42) model = PassiveAggressiveRegressor() model.fit(xtrain, ytrain) ypred = model.predict(xtest) data = pd.DataFrame(data={"Predicted Sales": ypred.flatten()}) print(data.head())
Результат:
Predicted Sales
0 16.045254
1 21.088853
2 21.699498
3 9.092139
4 20.215573
Резюме
Вот как можно реализовать пассивно-агрессивную стратегию для решения задач машинного обучения. Она относится к категории онлайн-обучения в машинном обучении. Это не самый часто используемый алгоритм машинного обучения, но, тем не менее, его можно использовать для достижения эффективных результатов. Надеюсь, вам понравилась эта статья об алгоритме пассивно-агрессивной регрессии в машинном обучении и его реализации с использованием Python.