Линейната регресия е техника за статистическо моделиране, използвана за откриване на връзката между зависима променлива и независима променлива. Той е прост, но мощен и е един от най-използваните алгоритми в машинното обучение. Във финансите се използва за прогнозиране на цените на акциите и лихвените проценти, в здравеопазването се използва за прогнозиране на резултатите на пациентите въз основа на различни фактори, наскоро за анализиране на въздействието на пазарните кампании върху продажбите.
Преди да обмислите използването на линеен модел, трябва да изясните няколко неща, тъй като линейните модели имат следните предварително определени допускания:
- ЛИНЕЙНОСТ: Линейна връзка между зависимите и независимите променливи.
- НЕЗАВИСИМОСТ: Наблюденията или точките от данни са независими една от друга.
- БЕЗ МУЛТИКОЛИНЕАРНОСТ: Независимите променливи не са силно свързани помежду си.
- НОРМАЛНОСТ: Предполага се, че остатъците (разликата между наблюдаваните и прогнозираните стойности) на модела следват нормално разпределение
Целта на линейната регресия е да се побере права линия, която представлява връзката между променливите.
Линейната регресия се класифицира допълнително в две категории: проста линейна регресия и множествена линейна регресия: простата линейна регресия включва прогнозиране на зависима променлива с помощта на една независима променлива, докато Множествената линейна регресия се използва за прогнозиране на една зависима променлива въз основа на две или повече независими променливи.
В този момент можете да мислите за модел като математическо уравнение, използвано за прогнозиране на стойност, дадена на една или повече други стойности. Линеен модел е представен от:
Популярни рамки за машинно обучение като Scikit-Learn и tensorflow се използват зад кулисите за симулиране на детайлите на различни модели и линейната регресия не е изключение. Въпреки че е много важно да знаете какъв модел да използвате и кога да го използвате.
За да се оцени ефективността на линеен регресионен модел, т.е. да се определи числено колко добре даден модел отговаря на набор от данни, се използват различни показатели за оценка, като напр.
- Средна квадратна грешка (MSE): Наричана още функция на разходите, измерва разликата на квадрат между прогнозираните и действителните стойности.
- R-квадрат: Измерва съотношението на зависимата променлива, обяснена от модела. Известен е още като коефициент на определяне.
- F Резултат: Определя общата значимост на модела.
Въпреки че линейната регресия е мощен инструмент, някои ограничения като предположение за линейност, извънредни стойности, които значително влияят на регресионната линия, и пренастройване, когато се използват твърде много променливи, могат да доведат до лошо обобщение.
Линейната регресия е основна техника в прогнозното моделиране. Като разбираме неговите концепции, предположения и приложения, можем да го използваме, за да вземаме информирани решения и да получаваме представа от данните.
ЗАБЕЛЕЖКА: Винаги помнете внимателно да оценявате производителността на модела, както и неговите ограничения в други, за да осигурите надеждни и точни резултати.
Благодаря ви, че отделихте време да изследвате линейната регресия с мен. Ако имате някакви въпроси, корекции или искате да продължите дискусията, приветствам вашите коментари...
