Názory k článku Balíček scikit-learn: trénink a předpovědi modelů provádějících regresní analýzu

Super naucny clanok. Davnejsie pred par rokmi som sa stym trochu hral. Bude venovana cast tohto serialu aj clusteringu? Ako zistit kolko "kategorii"/zhlukov mam v datach, aj ako tie data rozdelit / otagovat do kategorii.

Něco málo už bylo napsáno tady:

Shluková analýza (clustering) a knihovna Scikit-learn
https://www.root.cz/clanky/shlukova-analyza-clustering-a-knihovna-scikit-learn/

Shluková analýza (clustering) a knihovna Scikit-learn (2)
https://www.root.cz/clanky/shlukova-analyza-clustering-a-knihovna-scikit-learn-2/

Shluková analýza (clustering) a knihovna Scikit-learn (z plochy do 3D prostoru)
https://www.root.cz/clanky/shlukova-analyza-clustering-a-knihovna-scikit-learn-z-plochy-do-3d-prostoru/

ale ještě se k tomu tématu vrátím, právě u datových sad, které používáme.

Jo, tohle je jeste jednoduche. Tady ty vstupni body nemaji nejistoty. Castecne je nejistota typu A nahrazena mnozstvim bodu (opakovanim). Ale jsou jeste nejistoty typu B, ktere zde chybi.
Kdyz se k bodum pridaji opravdove nejistoty (a korelace), a clovek chce nejistoty zpropagovat do nejistot vystupnich parametru, tak ani po letech studii nedojde k poradnemu vysledku aplikovatelnemu pro kazdy problem.
Tak ale kdyby na to nekdo narazil, tak asi muzu doporucit algoritmus OEFPIL (je to dohledatelne i pro Octave a python):
https://cran.r-project.org/web/packages/OEFPIL/index.html

díky za doplnění, to jsem neznal

Pěkný článek, díky!

V Pythonu jsem lineární regresi nikdy nedělal, ale jestli to správně chápu, tak sekce 11.-17. odpovídá tomu, co je v R-ku klasický model criticism, tj. konstrukce x modelů (podle počtu nezávislých proměnných), kde se srovnávají jak klasické multiple regression (s různým počtem nezávislých proměnných), tak i modely s interakcí (zase s různým počtem nezávislých proměnných), což se pak projede přes klasickou ANOVA, co porovná ty jednodušší i komplexnější modely, správně?

A pokud jo, tak jak pak v tom scikit-learn udělám jednoduchý multiple regression model oproti modelu s interakcí? Díky dopředu za info!

Popravdě se budu muset podívat, jak to je v R-ku, to z hlavy nedám. Modely s interakcí - tím myslíte supervised learning?

Jasně, pokud se k tomu dostanete.

V klasických lineárních nebo logistických modelech jsem zvyklý vždycky porovnávat ty modely, kde všechny nezávislé proměnné jsou nezávislé i na sobě navzájem, vůči modelům, kde jedna proměnná může ovlivnit druhou (nebo víc) proměnných. Ty druhé jsou ty s interakcí. Myslím, že v klasické statistice je to dost obvyklé, pěkně to na jednoduchých příkladech vysvětlují v R for Data Science tady: https://r4ds.had.co.nz/model-basics.html#interactions-continuous-and-categorical

A obecně je to, myslím, stejně jako všechny lineární/logistické modely, nějaká podmnožina supervised learning, ale aspoň v klasické statistice ta nejpoužívanější.