Tutti i Post sul Machine Learning

Strumenti generali per l'approssimazione di funzioni

Questo post descrive l'usage di alcuni tool generali per la generazione e la visualizzazione di dataset che rappresentano o approssimano oggetti matematici quali funzioni, curve e superfici; tali tool sono utilizzati da altri programmi descritti in altri post di questo sito web.

Approssimazione di funzioni tramite un regressore XGBoost configurabile

L'algoritmo XGBoost, conosciuto per aver vinto numerose competizioni Kaggle, dà risultati incredibili nell'ambito dell'approssimazione di funzioni; i risultati sono estremamente esaltanti sia in termini di metriche di errore che di performance.

Approssimazione di funzioni tramite un Support Vector Regressor configurabile

Gli algoritmi Support Vector Machine, conosciuti impiegati nel contesto della classificazione, possono essere adoperati nell'ambito della regressione e in particolare nell'approssimazione di funzioni reali sia scalari che vettoriali a una o più variabili reali.

Regressione polinomiale con Accord.NET

Questo post mostra un uso della classe PolynomialRegression del framework Accord.NET con l'obiettivo di dimostrare che la regressione polinomiale classica del machine learning può raggiungere interessanti livelli di accuratezza con tempi di learning estremamente brevi.

Regressione con SMO per SVM con kernel PUK in Weka

Questo post mostra come usare Weka, e precisamente l'algoritmo SMO per la regressione SVM con kernel PUK, con il fine di realizzare una regressione di dataset generati sinteticamente tramite funzioni reali di una variabile continue e limitate.

Forecast con SMO per SVM con kernel polinomiale in Weka

Questo post mostra come usare Weka, e precisamente l'algoritmo SMO per il forecasting SVM con kernel polinomiale, con il fine di realizzare il forecast di una serie storica generata sinteticamente con periodicità e trend.