Поздравляю! Вы только что построили модель классификации в электронной таблице. Даже две. Может, даже две с половиной. А если вы еще и приняли мой вызов с медианной регрессией, то вы просто гигант!

Давайте вспомним, чем же мы занимались в этой главе:

• выбор отличительных черт и сборка обучающих данных, включая создание фиктивных переменных из категорийных данных;

• обучение модели линейной регрессии путем минимизации суммы квадрата отклонений;

• вычисление R-квадрата, показывающего с помощью теста, что модель статистически значима;

• определение качества работы модели на опорной выборке при различных ограничениях с помощью вычисления точности, специфичности, доли ложноположительных результатов и памяти;

• отображение кривой ошибок;

• добавление логистической функции связи к общей линейной модели и реоптимизация;

• максимизация вероятности в логистической регрессии;

• сравнение моделей с помощью кривой ошибок.

Несмотря на то, что данные в этой главе – чистейшая выдумка, подобная логистическая модель – отнюдь не повод для шуток. Вы можете воспользоваться аналогичными инструментами для поддержки производственных решений или автоматизированной системы маркетинга вашего бизнеса.

Если вам хочется продолжать работу с ИИ, то в следующей главе я покажу вам другой подход, который называется комбинированной моделью.