https://github.com/tynab/machine-learning-overview

CyberSoft Machine Learning 03 - Overview
https://github.com/tynab/machine-learning-overview

elasticnet-regression jupyter-notebook k-nearest-neighbours knn knn-classification label-encoder lasso-regression linear-regression logistic-regression machine-learning matplotlib numpy one-hot-encoder ordinal-encoder pandas ridge-regression scikit-learn scipy seaborn sklearn

Last synced: about 2 months ago
JSON representation

CyberSoft Machine Learning 03 - Overview

• Host: GitHub
• URL: https://github.com/tynab/machine-learning-overview
• Owner: Tynab
• Created: 2024-02-05T14:53:58.000Z (12 months ago)
• Default Branch: main
• Last Pushed: 2024-02-21T19:27:22.000Z (11 months ago)
• Last Synced: 2024-12-02T08:59:02.595Z (about 2 months ago)
• Topics: elasticnet-regression, jupyter-notebook, k-nearest-neighbours, knn, knn-classification, label-encoder, lasso-regression, linear-regression, logistic-regression, machine-learning, matplotlib, numpy, one-hot-encoder, ordinal-encoder, pandas, ridge-regression, scikit-learn, scipy, seaborn, sklearn
• Language: Jupyter Notebook
• Homepage:
• Size: 2.6 MB
• Stars: 1
• Watchers: 2
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • Funding: .github/FUNDING.yml

Awesome Lists containing this project

README

        
# BÀI TẬP

1. Thực hiện Ordinal Encoding dựa trên thư viện của sklearn trên cột dữ liệu ordinal và huấn luyện lại mô hình Linear Regression.

2. Thực hiện One-Hot Encoding cho cả bộ dữ liệu giá và huấn luyện lại mô hình Lasso, Ridge với tham số phù hợp.

3. Kiểm tra thử xem các trường dữ liệu khác còn nhiễu không, tiến hành lọc nhiễu và huấn luyện lại mô hình ElasticNet.

4. Giải thích sự khác nhau và ý nghĩa trong công thức của Lasso, Ridge và ElasticNet.

5. Áp dụng thử KNeighborsRegressor của sklearn cho dữ liệu giá nhà và so sánh performance với các mô hình Linear Regression, Lasso, Ridge, ElasticNet.

6. Tiến hành phân tích mô tả cho dữ liệu bank_data.

7. Tìm hiểu ý nghĩa và thay đổi một số metrics như weights, algorithm, leafsize,… và hệ số n_neighbors phù hợp của mô hình kNN, so sánh performance.