Quadratische Regression
Das Problem mit der linearen Regression
Bevor wir die Polynomregression definieren, betrachten wir zunächst den Fall, in dem die zuvor behandelte lineare Regression nicht gut funktioniert.
Hier sieht man, dass unser einfaches lineares Regressionsmodell sehr schlecht abschneidet. Das liegt daran, dass es versucht, eine Gerade an die Datenpunkte anzupassen. Es ist jedoch erkennbar, dass das Anpassen einer Parabel für unsere Punkte eine deutlich bessere Wahl wäre.
Quadratische Regressionsgleichung
Für das Erstellen eines linearen Modells haben wir die Gleichung einer Geraden (y=ax+b) verwendet. Um ein parabolisches Modell zu erstellen, benötigen wir die Gleichung einer Parabel. Das ist die quadratische Gleichung: y=ax²+bx+c. Wenn wir a, b und c durch β ersetzen, erhalten wir die quadratische Regressionsgleichung:
Das durch diese Gleichung beschriebene Modell wird als Quadratische Regression bezeichnet. Wie zuvor müssen lediglich die optimalen Parameter für unsere Datenpunkte gefunden werden.
Normalengleichung und X̃
Wie immer übernimmt die Normalengleichung das Auffinden der optimalen Parameter. Allerdings muss die X̃ korrekt definiert werden.
Wir wissen bereits, wie die X̃-Matrix für die Multiple Lineare Regression aufgebaut wird. Es zeigt sich, dass die X̃-Matrix für die Polynomiale Regression ähnlich konstruiert wird. x² kann als zweites Merkmal betrachtet werden. Daher muss eine entsprechende neue Spalte zur X̃ hinzugefügt werden. Diese enthält die gleichen Werte wie die vorherige Spalte, jedoch quadriert.
Das folgende Video zeigt, wie die X̃ aufgebaut wird.
Danke für Ihr Feedback!
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Can you explain more about how the X̃ matrix is constructed for polynomial regression?
What is the Normal Equation and how does it help find the best parameters?
How does quadratic regression differ from linear regression in practice?
Awesome!
Completion rate improved to 5.26
Quadratische Regression
Swipe um das Menü anzuzeigen
Das Problem mit der linearen Regression
Bevor wir die Polynomregression definieren, betrachten wir zunächst den Fall, in dem die zuvor behandelte lineare Regression nicht gut funktioniert.
Hier sieht man, dass unser einfaches lineares Regressionsmodell sehr schlecht abschneidet. Das liegt daran, dass es versucht, eine Gerade an die Datenpunkte anzupassen. Es ist jedoch erkennbar, dass das Anpassen einer Parabel für unsere Punkte eine deutlich bessere Wahl wäre.
Quadratische Regressionsgleichung
Für das Erstellen eines linearen Modells haben wir die Gleichung einer Geraden (y=ax+b) verwendet. Um ein parabolisches Modell zu erstellen, benötigen wir die Gleichung einer Parabel. Das ist die quadratische Gleichung: y=ax²+bx+c. Wenn wir a, b und c durch β ersetzen, erhalten wir die quadratische Regressionsgleichung:
Das durch diese Gleichung beschriebene Modell wird als Quadratische Regression bezeichnet. Wie zuvor müssen lediglich die optimalen Parameter für unsere Datenpunkte gefunden werden.
Normalengleichung und X̃
Wie immer übernimmt die Normalengleichung das Auffinden der optimalen Parameter. Allerdings muss die X̃ korrekt definiert werden.
Wir wissen bereits, wie die X̃-Matrix für die Multiple Lineare Regression aufgebaut wird. Es zeigt sich, dass die X̃-Matrix für die Polynomiale Regression ähnlich konstruiert wird. x² kann als zweites Merkmal betrachtet werden. Daher muss eine entsprechende neue Spalte zur X̃ hinzugefügt werden. Diese enthält die gleichen Werte wie die vorherige Spalte, jedoch quadriert.
Das folgende Video zeigt, wie die X̃ aufgebaut wird.
Danke für Ihr Feedback!