Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Oppiskele Polynomiregressio | Polynomiregressio
Lineaarinen Regressio Pythonilla
course content

Kurssisisältö

Lineaarinen Regressio Pythonilla

Lineaarinen Regressio Pythonilla

1. Yksinkertainen Lineaarinen Regressio
2. Monimuuttujainen Lineaarinen Regressio
3. Polynomiregressio
4. Parhaan Mallin Valitseminen

book
Polynomiregressio

Edellisessä luvussa tarkastelimme toisen asteen regressiota, jonka kuvaaja on paraabeli. Samalla tavalla voimme lisätä yhtälöön ja saada kolmannen asteen regression, jolla on monimutkaisempi kuvaaja. Voimme myös lisätä x⁴ ja niin edelleen.

Polynomiregression aste

Yleisesti tätä kutsutaan polynomiyhtälöksi, ja se on polynomiregression yhtälö. Suurin x:n potenssi määrittää polynomiregression asteen yhtälössä. Tässä on esimerkki

N-asteen polynomiregressio

Kun n on kokonaisluku, joka on suurempi kuin kaksi, voimme kirjoittaa n-asteen polynomiregression yhtälön.

Normaaliyhtälö

Ja kuten aina, parametrit määritetään normaaliyhtälön avulla:

Polynomiregressio useilla muuttujilla

Monimutkaisempien muotojen luomiseksi voidaan käyttää polynomiregressiota, jossa on useampi kuin yksi muuttuja. Jo kahdella muuttujalla toisen asteen polynomiregressio tuottaa melko pitkän yhtälön.

Useimmiten näin monimutkaista mallia ei tarvita. Yksinkertaisemmat mallit (kuten monimuuttujainen lineaarinen regressio) kuvaavat dataa yleensä riittävän hyvin, ja ne ovat helpompia tulkita, visualisoida sekä vähemmän laskennallisesti raskaita.

question mark

Valitse VÄÄRÄ väittämä.

Select the correct answer

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 3. Luku 2

Kysy tekoälyä

expand

Kysy tekoälyä

ChatGPT

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

course content

Kurssisisältö

Lineaarinen Regressio Pythonilla

Lineaarinen Regressio Pythonilla

1. Yksinkertainen Lineaarinen Regressio
2. Monimuuttujainen Lineaarinen Regressio
3. Polynomiregressio
4. Parhaan Mallin Valitseminen

book
Polynomiregressio

Edellisessä luvussa tarkastelimme toisen asteen regressiota, jonka kuvaaja on paraabeli. Samalla tavalla voimme lisätä yhtälöön ja saada kolmannen asteen regression, jolla on monimutkaisempi kuvaaja. Voimme myös lisätä x⁴ ja niin edelleen.

Polynomiregression aste

Yleisesti tätä kutsutaan polynomiyhtälöksi, ja se on polynomiregression yhtälö. Suurin x:n potenssi määrittää polynomiregression asteen yhtälössä. Tässä on esimerkki

N-asteen polynomiregressio

Kun n on kokonaisluku, joka on suurempi kuin kaksi, voimme kirjoittaa n-asteen polynomiregression yhtälön.

Normaaliyhtälö

Ja kuten aina, parametrit määritetään normaaliyhtälön avulla:

Polynomiregressio useilla muuttujilla

Monimutkaisempien muotojen luomiseksi voidaan käyttää polynomiregressiota, jossa on useampi kuin yksi muuttuja. Jo kahdella muuttujalla toisen asteen polynomiregressio tuottaa melko pitkän yhtälön.

Useimmiten näin monimutkaista mallia ei tarvita. Yksinkertaisemmat mallit (kuten monimuuttujainen lineaarinen regressio) kuvaavat dataa yleensä riittävän hyvin, ja ne ovat helpompia tulkita, visualisoida sekä vähemmän laskennallisesti raskaita.

question mark

Valitse VÄÄRÄ väittämä.

Select the correct answer

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 3. Luku 2
some-alt