或
机器学习的回归课程模块
使用R2021a创建。与R2021a后来版本兼容。
描述
这个包包含几个生活的脚本教机器学金宝app习的基本知识和支持文件的回归。材料是设计灵活,可以很容易地修改,以适应不同的教学和学习方法。这些包括一个简短的背景、交互式的插图,任务,反映问题,在电力负荷预测现实的应用程序中,为不同的概念探索指导练习。该模块可用于提供光介绍机器学习的术语和概念,围绕回归。的首要目标是让学生熟悉典型的工作流,设置,和注意事项涉及与机器学习解决回归问题。
住脚本内的指令将指导您通过活动和练习。与每个生活开始脚本运行一段时间。中途停止运行脚本或部分(例如,当一个动画正在进行中),使用停止按钮运行部分的编辑选项卡生活在MATLAB将来发布。
建议Prework
MATLAB斜坡弯道——免费两小时的入门教程学习MATLAB®的必需品。额外的编程技能(见MATLAB基础)是有益的,但不承担任务和指令。
回归基本知识——覆盖的基本面回归analyis课程模块。
完全没有接触过机器学习的主题。
细节
machineLearningIntro.mlx
交互式教训,介绍了一些关键概念在机器学习中,除了一些回归模型。它包含了许多独立的介绍性的部分很容易编辑。
学习目标
- 国家之间的差别回归、分类和聚类问题。
- 大纲共同应用机器学习技术所涉及的步骤。
- 定义工程特性和特征提取。
- 制定回归作为机器学习问题。
- 识别并使用不同的机器学习模型常用的回归。
- 解释过度拟合和underfitting在机器学习,并确定至少两种方式解决这些问题。
loadForecastRegression.mlx
,loadForecastRegression_soln.mlx
引导学生通过机器学习申请电力负荷预测的步骤使用真实数据。这个脚本可以用于两种不同的模式:政府仅仅控制或完整的代码。
学习目标
- 机器学习工作流程中的步骤适用于时间序列预测中解决实际问题。
- 制定时间序列预测问题作为机器学习问题适当的工程特性。
- 验证和比较不同类型的回归模型。
- 测试和评估训练模型进行预测。
electricityLoadDataML.mlx
一个辅助脚本下载外部电力负荷数据纽约ISO用于loadForecastRegression.mlx
。这个脚本包含的代码下载,组织、格式化和清理原始数据。
FE1_programmaticML.mlx
,FE2_loadForecastDL.mlx
这两个脚本包含思想扩大的实际问题loadForecastRegression.mlx
。通过建议需要一些独立的探索和主动学习。FE1_programmaticML.mlx
鼓励学生写自己的机器学习算法FE2_loadForecastDL.mlx
开始探索和负荷预测的深度学习。
下载188bet金宝搏
MATLAB、统计和机器学习的工具箱™
许可证
这个模块的许可证是可用的许可证。TXT文件在GitHub库。
金宝app
有任何问题或反馈?联系MathWorks网上教学团队。
版权2021年MathWorks公司。
引用作为
艾玛·史密斯Zbarsky (2023)。机器学习的回归GitHub (https://github.com/MathWorks-Teaching-Resources/Machine-Learning-for-Regression/releases/tag/v1.1.3)。检索。
版本 | 发表 | 发布说明 | |
---|---|---|---|
1.1.3.0 | GitHub上看到这个版本发布说明:https://github.com/MathWorks-Teaching-Resources/Machine-Learning-for-Regression/releases/tag/v1.1.3 |
||
1.1.2 | GitHub上看到这个版本发布说明:https://github.com/MathWorks-Teaching-Resources/Machine-Learning-for-Regression/releases/tag/v1.1.2 |
||
1.1.1 | GitHub上看到这个版本发布说明:https://github.com/MathWorks-Teaching-Resources/Machine-Learning-for-Regression/releases/tag/v1.1.1 |
||
1.1.0 |