Побудова нелінійного класифікатора захворювання серця
Abstract
Лінійні моделі відносно просто описати та побудувати і вони мають перевагу порівняно з іншими підходами завдяки інтерпретованості та можливості зробити статистичні висновки. Однак у стандартної лінійної регресії можуть бути суттєві недоліки, пов'язані з її передбачувальною силою. Це зумовлено тим, що припущення про лінійність майже завжди є наближенням, а іноді дуже поганим наближенням. Ми можемо покращити результати, одержувані за допомогою методу найменших квадратів, застосовуючи гребеневу регресію, метод Лассо та інші підходи. покращення при використанні цих методів досягається шляхом спрощення лінійної моделі, а отже, завдяки зниженню дисперсії оцінок коефіцієнтів. Однак ми все ще використовуємо лінійну модель, яку далі не покращити!
References
Джеймс Г., Уиттон А., Хасти Т., Тибширани Р. Введение в ститическое обучение с примерами на языке R Изд. Второе, испр. Пер с англ. С.Э. Мастицкого –М. ДМК Пресс, 2017. -456с
Heart Failure Prediction Dataset [Електронний ресурс] . – Режим доступу до ресурсу: https://www.kaggle.com/fedesoriano/heart-failure-prediction
Хмелівський Ю.С., Нескородєва Т.В. Аналіз даних для прогнозування серцевої недостатності засобами мови R. Матеріали II всеукраїнської науково-практичної конференції для студентів, аспірантів та молодих вчених "Компютерні технології обробки даних" (10 грудня 2021 року) - Вінниця: ДонНУ імені Василя Стуса., с.57-60.
Резнік Р.Ю., Нескородєва Т.В. Класифікація зразків скла на основі хіміко-фізичних властивостях методами статистичного навчання. Матеріали II всеукраїнської науково-практичної конференції для студентів, аспірантів та молодих вчених "Компютерні технології обробки даних" (10 грудня 2021 року) - Вінниця: ДонНУ імені Василя Стуса., с.52- 55.
