Summary  
This chapter demonstrates how to extend simple linear regression to multiple linear regression with two features by adding an additional term to the regression equation and interpreting the result as a plane in 3D space.  

General domain of usage  
Machine learning regression tasks

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**.

## Ligning for lineær regression med to features
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 ligningen:

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

Men nu er vores ligning ikke længere en linjes ligning. Det er en ligning for et plan. Her er 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.

Lineær regression er et centralt begreb inden for prædiktiv analyse. Det anvendes bredt af dataforskere, dataanalytikere og statistikere, da det er let at opbygge og fortolke, men samtidig kraftfuldt nok til mange opgaver.

Lad os begynde med den simpleste lineære regressionsmodel! Du vil lære idéen bag lineær regression og hvordan man foretager forudsigelser i Python.

De fleste virkelige forudsigelsesopgaver involverer mere end én feature. Du vil lære, hvordan man håndterer lineær regression med flere features.

En ret linje beskriver ikke altid dataene tilstrækkeligt. Lad os lære at opbygge en mere kompleks model til forudsigelse. Det er det, polynomiel regression egner sig til.

Nu hvor du ved, hvordan man opbygger flere lineære regressionsmodeller, har du brug for en metode til at vælge den bedste. Dette kan opnås ved hjælp af metrikker. Dette afsnit forklarer de mest anvendte metrikker og de udfordringer, du kan møde ved brugen af dem.

Lineær Regression med To Funktioner

Ligning for lineær regression med to features

Visualisering