Es gibt einige bewährte Methoden, um eine Überanpassung Ihrer Regressionsmodelle zu vermeiden. Eine dieser bewährten Methoden ist die Aufteilung Ihrer Daten in Trainings- und Testsätze. Eine andere Alternative ist die Verwendung einer Kreuzvalidierung. Und eine dritte Alternative ist die Einführung polynomieller Merkmale. Dieses Modul führt Sie durch den theoretischen Rahmen und einige praktische Beispiele für diese bewährten Verfahren.

Es gibt einen Kompromiss zwischen der Größe Ihres Trainingssatzes und Ihres Testsatzes. Wenn Sie den größten Teil Ihrer Daten zum Training verwenden, haben Sie weniger Stichproben, um Ihr Modell zu validieren. Wenn Sie umgekehrt mehr Stichproben zum Testen verwenden, haben Sie weniger Stichproben zum Trainieren Ihres Modells. Mit der Kreuzvalidierung können Sie Ihre Daten wiederverwenden, um mehr Stichproben zum Trainieren und Testen zu verwenden

Dieses Modul führt Sie durch die Theorie und einige praktische Beispiele von Regularisierungsregressionen, einschließlich Ridge, LASSO und Elastic Net. Sie werden die wichtigsten Vor- und Nachteile dieser Techniken sowie ihre Unterschiede und Gemeinsamkeiten kennenlernen.

In diesem Abschnitt werden Sie die Beziehung zwischen der Verlustfunktion und den verschiedenen Regularisierungsarten verstehen

In this assignment, you will apply regression techniques to analyze a dataset of your choice. Your task is to preprocess the data, build and compare models, extract insights, and suggest next steps.You will focus on presenting key findings and insights—not the code. You may include visuals to support your analysis, but the report should be a clear summary of your process and conclusions.Your final report will be evaluated by an AI graded tool.