Quadro di estrazione dati:

1. CRISP-DM
2. SEMMA

1. Anaconda/miniconda
2. Illuminato
3. Quaderni di Giove
4. MLflow
5. Pesi e pregiudizi
6. cometa.ml

1. Matplotlib
2. Seaborn
3. Trama
4. Tabella pivot.js

Per problemi di classificazione:

-Accuratezza
- Precisione (P)
- Richiamo (R)
- Punteggio F1 (F1)
- Area sotto la curva ROC (Receiver Operating Characteristic)
- Perdita logaritmica
- Precisione a k ( P@k )
- Precisione media a k ( AP@k )
- Precisione media media a k ( MAP@k )

Per problemi di regressione:

- Errore medio assoluto (MAE)
- Errore quadratico medio (MSE)
- Errore quadratico medio (RMSE)
- Errore quadratico medio logaritmico (RMSLE)
- Errore percentuale medio (MPE)
- Errore percentuale medio assoluto (MAPE)
- R2

Modello Hub/Zoo:

1. Modelli che abbracciano il viso
2. Hub TensorFlow
3. Hub PyTorch

1. Ricerca in griglia
2. Ricerca casuale
3. Ricerca da grossolana a fine
4. Ottimizzazione bayesiana
   con processo gaussiano.
5. Skopt
6. Iperott
7. Sweep iperparametrico W&B
8. Ray Tune
9. Ottuna

1. Punteggio Z
2. Metodo IQR
3. Metodo percentile
4. Grafico residuo vs leva finanziaria

1. Casuale sotto campionatore
2. Campionatore casuale
3. SMOTE

1. Panda-Profiling
2. Sweetviz
3. Autoviz
4. D-Racconto

1. convalida incrociata k-fold
2. validazione incrociata stratificata k-fold
3. validazione basata su hold-out
4. convalida incrociata leave-one-out
5. convalida incrociata di gruppo k-fold

1. Funzione data-ora di Panda
2. Aggregati nei panda
3. libreria tsfresh (per dati di serie temporali)
4. Funzioni polinomiali (Sk-learn)
5. Binning (utilizzando la funzione di taglio del panda)
6. Trasformazioni (log, reciproci, power, box-cox, ecc.)

1. Soglia di varianza e fattore di inflazione della varianza (VIF)
2. Coefficiente di caratteristica e importanza della caratteristica
3. Correlazione di Pearson
4. chi-quadrato
5. F-prova
6. Informazioni reciproche
7. Avida selezione di funzionalità
8. RFE (eliminazione di caratteristiche ricorsive)
9. SelectFromModel(da Sklearn)

1. Combinazione di più modelli con un tipo simile:
2. Insaccamento
3. Potenziamento
• Classificazione dei voti
• Miscelazione / Impilamento
1. PCA (incrementale, kernel, casuale)
2. LLE (incorporamento lineare locale)
3. Ridimensionamento multidimensionale (MDS)
4. Incorporamento dei vicini stocastici distribuiti in t (t-SNE)
5. Isomap
6. Decomposizione del valore singolare (SVD)
1. Regressione e classificazione:
2. Regressione OLS
3. Regressione polinomiale
4. Modello lineare generalizzato (GLM)
5. curvefit (regressione non lineare)
6. Regressione di lasso e cresta
7. Regressione ElasticNet
8. Regressione logistica
9. Classificatore pigro
10. Regressione Softmax
11. SVM
12. KNN
13. Foresta casuale
14. Adaboost
15. XGboost
• K-significa
• Raggruppamento agglomerativo
• Raggruppamento spettrale
• Spostamento medio
• Clustering spaziale basato sulla densità di applicazioni con rumore
  (DBSCAN)
• K-medoidi
• Stima della densità del kernel (KDE) e criteri di selezione della larghezza di banda
• Rilevamento di anomalie con foreste di isolamento

Spero che questo articolo ti abbia aiutato a dare un'idea generale dei diversi approcci ML. Se ti piace allora Fammi sapere nei commenti. Condividilo con gli amici!! Queste cose richiedono molto tempo e sforzi per essere fatte, quindi il feedback è molto apprezzato! ❤️

Seguimi su Medium e sul mio LinkedIn e Twitter per altri articoli simili!