Scikit-learn proporciona varios modelos dedicados a problemas de regresión, una lista en gran medida incomprensiva incluye:
- Modelo de regresión lineal, sin duda el más simple y más utilizado como modelo de primer intento.
- Compatible con Vector Regressor (SVR): aunque potente, es algo lento en conjuntos de datos muy grandes.
- Regresor forestal aleatorio, quizás uno de los modelos más potentes disponibles en la actualidad, tenga cuidado ya que es un modelo propenso a sobreajustar.
Al final, el modelo que mejor se adapte a su problema depende en gran medida del problema en sí mismo, de su naturaleza: tamaño de su conjunto de datos, tipo de características, si la “relación” entre sus características y su objetivo es lineal o no lineal, y pronto.
Como de costumbre, el mejor lugar para buscar una referencia completa es la documentación de referencia de Scikit-learn en sí:
- ¿La velocidad de ejecución de un algoritmo que, al ejecutarse, hace que el sistema físico en ejecución tenga experiencia subjetiva, hace alguna diferencia en la naturaleza de esta experiencia subjetiva?
- ¿Usar solo la tarjeta gráfica incorporada en la computadora portátil usará la misma potencia que la computadora portátil sin una tarjeta dedicada?
- ¿Cuáles son las aplicaciones de la informática afectiva en los negocios electrónicos?
- ¿Cuál es la diferencia y la relación entre un proceso de Markov y un proceso de martingala?
- ¿Aprende más de los cursos de estudio / proyecto independientes en comparación con los cursos regulares en Stanford? (CS)
Documentación scikit-learn: aprendizaje automático en Python
Mejor,
Matteo
