Mikä on Lineaarinen Regressio
Peruskäsitteet
Regressio on ohjatun oppimisen tehtävä, jossa ennustetaan numeerista arvoa (esim. talon hinta), jota kutsutaan kohteeksi, joukon syötemuuttujia (esim. koko, ikä, sijainti jne.), joita kutsutaan piirteiksi, perusteella.
Mallin kouluttamiseksi on annettava useita esimerkkejä tällaisista taloista, sekä piirteet että kohde. Esimerkkijoukkoa, jolla mallia koulutetaan, kutsutaan opetusjoukoksi.
Yksinkertaisin malli, joka kykenee suorittamaan regressiotehtäviä, on lineaarinen regressio. Tarkastellaan hajontakuviota, joka esittää henkilön pituuden ja hänen isänsä pituuden.
Miten se toimii
Yksinkertainen lineaarinen regressio sovittaa suoran viivan dataan siten, että viiva on mahdollisimman lähellä havaintopisteitä.
Ennusteiden tekeminen
Nyt tätä viivaa voidaan käyttää uuden pisteen tavoitteen ennustamiseen.
Esimerkiksi, jos halutaan ennustaa henkilön pituus, kun hänen isänsä pituus on 63.5 tuumaa. Valitaan viivalta kohta, joka vastaa X=63.5, ja sen y-arvo on ennusteemme.
Malli ennustaa henkilön pituudeksi 64.3 tuumaa.
Yksinkertaisen lineaarisen regressiomallin yhtälö
Kuten saatat muistaa koulusta, suoran funktio on y=b+ax, joten koulutuksen aikana yksinkertainen lineaarinen regressio oppii, mitkä arvot a ja b saavat, jotta muodostuu haluttu suora. Mallin oppimat arvot kutsutaan parametreiksi, ja jatkossa kurssilla merkitsemme parametreja 𝛽:llä a:n ja b:n sijaan. Näin ollen yksinkertaisen lineaarisen regressiomallin yhtälö on:
1. Regressiossa arvoa, jota halutaan ennustaa, kutsutaan:
2. Täydennä aukot
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Can you explain what the training set is in more detail?
How does the model determine the best line for the data?
What do the parameters 𝛽₀ and 𝛽₁ represent in the regression equation?
Awesome!
Completion rate improved to 5.26
Mikä on Lineaarinen Regressio
Pyyhkäise näyttääksesi valikon
Peruskäsitteet
Regressio on ohjatun oppimisen tehtävä, jossa ennustetaan numeerista arvoa (esim. talon hinta), jota kutsutaan kohteeksi, joukon syötemuuttujia (esim. koko, ikä, sijainti jne.), joita kutsutaan piirteiksi, perusteella.
Mallin kouluttamiseksi on annettava useita esimerkkejä tällaisista taloista, sekä piirteet että kohde. Esimerkkijoukkoa, jolla mallia koulutetaan, kutsutaan opetusjoukoksi.
Yksinkertaisin malli, joka kykenee suorittamaan regressiotehtäviä, on lineaarinen regressio. Tarkastellaan hajontakuviota, joka esittää henkilön pituuden ja hänen isänsä pituuden.
Miten se toimii
Yksinkertainen lineaarinen regressio sovittaa suoran viivan dataan siten, että viiva on mahdollisimman lähellä havaintopisteitä.
Ennusteiden tekeminen
Nyt tätä viivaa voidaan käyttää uuden pisteen tavoitteen ennustamiseen.
Esimerkiksi, jos halutaan ennustaa henkilön pituus, kun hänen isänsä pituus on 63.5 tuumaa. Valitaan viivalta kohta, joka vastaa X=63.5, ja sen y-arvo on ennusteemme.
Malli ennustaa henkilön pituudeksi 64.3 tuumaa.
Yksinkertaisen lineaarisen regressiomallin yhtälö
Kuten saatat muistaa koulusta, suoran funktio on y=b+ax, joten koulutuksen aikana yksinkertainen lineaarinen regressio oppii, mitkä arvot a ja b saavat, jotta muodostuu haluttu suora. Mallin oppimat arvot kutsutaan parametreiksi, ja jatkossa kurssilla merkitsemme parametreja 𝛽:llä a:n ja b:n sijaan. Näin ollen yksinkertaisen lineaarisen regressiomallin yhtälö on:
1. Regressiossa arvoa, jota halutaan ennustaa, kutsutaan:
2. Täydennä aukot
Kiitos palautteestasi!