Кратко:

• В предыдущем курсе вы изучили линейную и логистическую регрессии.
• Логистическая регрессия плохо справляется с выбросами в данных.
• Вы познакомитесь с методом опорных векторов для решения задач классификации.
• Построите свою первую нелинейную модель.
• Компания «Морские вкусняхи» доставляет морепродукты корпоративным клиентам.
• На прибыль компании сильно влияет отмена заказов.
• Менеджмент хочет отбивать себестоимость и ввести предоплату.
• Для этого нужна модель, которая будет предсказывать отмену заказов.

Кратко:

• Для решения проблемы предлагается использовать другую модель классификации, такую как случайный лес или метод опорных векторов. - Линейная и логистическая регрессии хорошо работают на качественных данных с линейной связью.
• На практике специалисты часто имеют дело с нелинейной зависимостью и вовсе не идеальными датасетами - с выбросами, недостатком наблюдений.
• Компания «Морские вкусняхи» доставляет корпоративным клиентам блюда из морепродуктов - устрицы, мидии и строганину из разных сортов рыб.
• На прибыль сильно влияет отмена заказов, потому что их не оплачивают, а товар приходится выбрасывать.
• Бизнес небольшой, поэтому информации мало.
• Линейная и логистическая регрессии не сработали из-за выбросов в данных.

Кратко:

• SVM - линейная модель, но может работать и с нелинейными зависимостями.
• Математическая функция SVM: y(x) = sign(w^tx + w_0).
• Разделяющая гиперплоскость строится так, чтобы объекты классов находились как можно дальше от нее.
• Для максимизации зазора нужно найти расстояние от опорной точки до разделяющей прямой.
• Ширина зазора равна 2/||w||, где ||w|| - длина вектора коэффициентов.
• Ошибки модели оцениваются по отступу M = y(w^tx + w_0).
• Отступ может быть положительным, большим по модулю, отрицательным или малым по модулю.
• Для минимизации ошибок и учета выбросов в данных используется "мягкий" зазор.

Кратко:

• Метод опорных векторов (SVM) - робастная модель, устойчивая к выбросам.
• Обучение модели на данных компании "Морские вкусняхи".
• Использование библиотеки scikit-learn для создания модели SVC.
• Разделение данных на тренировочные и тестовые, стандартизация данных.
• Проверка качества модели на тестовых данных.
• Использование разных ядер для улучшения качества модели: линейное, радиальное базисное, сигмоидное, полиномиальное.
• Выбор подходящей модели в зависимости от количества признаков и обучающих данных.
• Вывод: метод опорных векторов может строить и нелинейные границы с использованием ядер.

Кратко:

• Разработана модель классификации для работы с нелинейными данными.
• Возникают проблемы, связанные с качеством работы моделей на тестовых данных.
• Логистическая регрессия может быть неэффективной при наличии выбросов и аномалий в данных.
• Метод опорных векторов подходит для случаев малого количества данных или нелинейной зависимости целевой переменной от входных.
• Модели можно настраивать, включая выбор ядра для задачи.
• Рекомендуется скачать шпаргалку по теме для закрепления знаний.
• Следующий шаг: изучение причин плохих предсказаний обученной модели, включая переобучение и не дообучение.