Indtil nu har vi set på lineær regression med kun én feature. Dette kaldes simpel lineær regression. Men i virkeligheden afhænger målet oftest af flere features. Lineær regression med mere end én feature kaldes Multipel Lineær Regression.

To-feature lineær regressionsligning

I vores eksempel med højder vil det sandsynligvis forbedre vores forudsigelser at tilføje moderens højde som en feature til modellen. Men hvordan tilføjer vi en ny feature til modellen? En ligning definerer lineær regression, så vi skal blot tilføje en ny feature til en ligning:

Hvor:

• $\beta_0, \beta_1, \beta_2$ – er modellens parametre;
• $y_{\text{pred}}$ – er forudsigelsen af målet;
• $x_1$ – er værdien af den første feature;
• $x_2$ – er værdien af den anden feature.

Visualisering

Da vi diskuterede den simple regressionsmodel, lavede vi et 2D-plot, hvor den ene akse er feature, og den anden er målet. Nu hvor vi har to features, har vi brug for to akser til features og en tredje til målet. Vi bevæger os altså fra et 2D-rum til et 3D-rum, hvilket er meget sværere at visualisere. Videoen viser et 3D-spredningsplot af datasættet i vores eksempel.

Men nu er vores ligning ikke længere en linjes ligning. Det er en ligning for et plan. Her ses et spredningsdiagram sammen med det forudsagte plan.

Du har måske bemærket, at vores ligning matematisk set ikke er blevet meget sværere. Desværre er visualiseringen det.