Lineær Regression med Python

Kursusindhold

Lineær Regression med Python

Lineær Regression med Python

1. Simpel Lineær Regression

Hvad Er Lineær Regression Finding af Parametrene Opbygning af Lineær Regression med NumPy Opbygning af Lineær Regression ved Hjælp af Statsmodels Udfordring: Forudsigelse af Huspriser

2. Multipel Lineær Regression

Lineær Regression med To Funktioner Lineær Regression med N Funktioner Opbygning af Multipel Lineær Regression Valg af Funktioner Udfordring: Forudsigelse af Priser ved Brug af To Funktioner

3. Polynomiel Regression

Kvadratisk Regression Polynomiel Regression Opbygning af Polynomiel Regression Interpolation vs. Ekstrapolation Udfordring: Evaluering af Modellen

4. Valg af den Bedste Model

Metrikker Overfitting R-kvadreret Udfordring: Forudsigelse af Priser ved Hjælp af Polynomiel Regression

Finding af Parametrene

Vi ved nu, at lineær regression blot er en linje, der bedst passer til dataene. Men hvordan kan du afgøre, hvilken der er den rigtige?

Du kan beregne forskellen mellem den forudsagte værdi og den faktiske målte værdi for hvert datapunkt i træningssættet.
Disse forskelle kaldes residualer (eller fejl). Målet er at gøre residualerne så små som muligt.

Ordinary Least Squares

Standardmetoden er Ordinary Least Squares (OLS):
Tag hver residual, kvadrér den (primært for at fjerne fortegnet på en residual), og summér dem alle.
Dette kaldes SSR (Sum of squared residuals). Opgaven er at finde de parametre, der minimerer SSR.

Normal Ligning

Heldigvis behøver vi ikke at afprøve alle linjer og beregne SSR for dem. Opgaven med at minimere SSR har en matematisk løsning, som ikke er særlig beregningstung.
Denne løsning kaldes Normal Ligning.

Denne ligning giver os parametrene for en linje med mindst SSR.
Forstod du ikke, hvordan det virker? Ingen grund til bekymring! Det er ret kompleks matematik. Men du behøver ikke selv at beregne parametrene. Mange biblioteker har allerede implementeret lineær regression.

Quiz

1. Overvej billedet ovenfor. Hvilken regressionslinje er bedst?

2. `y_true - y_predicted` kaldes

Overvej billedet ovenfor. Hvilken regressionslinje er bedst?

Select the correct answer

Blå (SSR = 43.07)

Grøn (SSR = 109.3)

Orange (SSR = 60.43)

Rød (SSR = 64.32)

y_true - y_predicted kaldes

Select the correct answer

Residual/Fejl

SSR

Normal ligning

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 1. Kapitel 2

Spørg AI

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Kursusindhold

Lineær Regression med Python

Lineær Regression med Python

1. Simpel Lineær Regression

Hvad Er Lineær Regression Finding af Parametrene Opbygning af Lineær Regression med NumPy Opbygning af Lineær Regression ved Hjælp af Statsmodels Udfordring: Forudsigelse af Huspriser

2. Multipel Lineær Regression

Lineær Regression med To Funktioner Lineær Regression med N Funktioner Opbygning af Multipel Lineær Regression Valg af Funktioner Udfordring: Forudsigelse af Priser ved Brug af To Funktioner

3. Polynomiel Regression

Kvadratisk Regression Polynomiel Regression Opbygning af Polynomiel Regression Interpolation vs. Ekstrapolation Udfordring: Evaluering af Modellen

4. Valg af den Bedste Model

Metrikker Overfitting R-kvadreret Udfordring: Forudsigelse af Priser ved Hjælp af Polynomiel Regression

Finding af Parametrene

Vi ved nu, at lineær regression blot er en linje, der bedst passer til dataene. Men hvordan kan du afgøre, hvilken der er den rigtige?

Du kan beregne forskellen mellem den forudsagte værdi og den faktiske målte værdi for hvert datapunkt i træningssættet.
Disse forskelle kaldes residualer (eller fejl). Målet er at gøre residualerne så små som muligt.

Ordinary Least Squares

Standardmetoden er Ordinary Least Squares (OLS):
Tag hver residual, kvadrér den (primært for at fjerne fortegnet på en residual), og summér dem alle.
Dette kaldes SSR (Sum of squared residuals). Opgaven er at finde de parametre, der minimerer SSR.

Normal Ligning

Heldigvis behøver vi ikke at afprøve alle linjer og beregne SSR for dem. Opgaven med at minimere SSR har en matematisk løsning, som ikke er særlig beregningstung.
Denne løsning kaldes Normal Ligning.

Denne ligning giver os parametrene for en linje med mindst SSR.
Forstod du ikke, hvordan det virker? Ingen grund til bekymring! Det er ret kompleks matematik. Men du behøver ikke selv at beregne parametrene. Mange biblioteker har allerede implementeret lineær regression.

Quiz

1. Overvej billedet ovenfor. Hvilken regressionslinje er bedst?

2. `y_true - y_predicted` kaldes

Overvej billedet ovenfor. Hvilken regressionslinje er bedst?

Select the correct answer

Blå (SSR = 43.07)

Grøn (SSR = 109.3)

Orange (SSR = 60.43)

Rød (SSR = 64.32)

y_true - y_predicted kaldes

Select the correct answer

Residual/Fejl

SSR

Normal ligning

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 1. Kapitel 2

some-alt