Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Oppiskele Parametrien Löytäminen | Yksinkertainen Lineaarinen Regressio
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
Parametrien Löytäminen

Nyt tiedämme, että lineaarinen regressio on vain viiva, joka parhaiten sopii dataan. Mutta miten voit tietää, mikä viiva on oikea?

Voit laskea ennustetun arvon ja todellisen tavoitearvon välisen erotuksen jokaiselle datapisteelle harjoitusaineistossa.
Näitä erotuksia kutsutaan residuaaleiksi (tai virheiksi). Tavoitteena on tehdä residuaaleista mahdollisimman pieniä.

Ordinary Least Squares

Oletusmenetelmänä käytetään Ordinary Least Squares (OLS) -menetelmää:
Ota jokainen residuaali, korota se toiseen potenssiin (pääasiassa residuaalin etumerkin poistamiseksi) ja summaa kaikki nämä.
Tätä kutsutaan nimellä SSR (Sum of squared residuals). Tehtävänä on löytää parametrit, jotka minimoivat SSR:n.

Normaaliyhtälö

Onneksi meidän ei tarvitse kokeilla kaikkia mahdollisia suoria ja laskea SSR:ää niille. SSR:n minimointiin liittyvään tehtävään on matemaattinen ratkaisu, joka ei ole kovin laskennallisesti raskas.
Tätä ratkaisua kutsutaan normaaliyhtälöksi.

Tämä yhtälö antaa meille suoran parametrit, joilla SSR on pienin mahdollinen.
Etkö ymmärtänyt, miten se toimii? Ei hätää! Kyseessä on melko monimutkainen matematiikka. Sinun ei kuitenkaan tarvitse laskea parametreja itse käsin. Monet kirjastot ovat jo toteuttaneet lineaarisen regressiomallin.

Kysely

1. Tarkastele yllä olevaa kuvaa. Mikä regressiosuora on parempi?

2. y_true - y_predicted kutsutaan

question mark

Tarkastele yllä olevaa kuvaa. Mikä regressiosuora on parempi?

Select the correct answer

question mark

y_true - y_predicted kutsutaan

Select the correct answer

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 1. 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
Parametrien Löytäminen

Nyt tiedämme, että lineaarinen regressio on vain viiva, joka parhaiten sopii dataan. Mutta miten voit tietää, mikä viiva on oikea?

Voit laskea ennustetun arvon ja todellisen tavoitearvon välisen erotuksen jokaiselle datapisteelle harjoitusaineistossa.
Näitä erotuksia kutsutaan residuaaleiksi (tai virheiksi). Tavoitteena on tehdä residuaaleista mahdollisimman pieniä.

Ordinary Least Squares

Oletusmenetelmänä käytetään Ordinary Least Squares (OLS) -menetelmää:
Ota jokainen residuaali, korota se toiseen potenssiin (pääasiassa residuaalin etumerkin poistamiseksi) ja summaa kaikki nämä.
Tätä kutsutaan nimellä SSR (Sum of squared residuals). Tehtävänä on löytää parametrit, jotka minimoivat SSR:n.

Normaaliyhtälö

Onneksi meidän ei tarvitse kokeilla kaikkia mahdollisia suoria ja laskea SSR:ää niille. SSR:n minimointiin liittyvään tehtävään on matemaattinen ratkaisu, joka ei ole kovin laskennallisesti raskas.
Tätä ratkaisua kutsutaan normaaliyhtälöksi.

Tämä yhtälö antaa meille suoran parametrit, joilla SSR on pienin mahdollinen.
Etkö ymmärtänyt, miten se toimii? Ei hätää! Kyseessä on melko monimutkainen matematiikka. Sinun ei kuitenkaan tarvitse laskea parametreja itse käsin. Monet kirjastot ovat jo toteuttaneet lineaarisen regressiomallin.

Kysely

1. Tarkastele yllä olevaa kuvaa. Mikä regressiosuora on parempi?

2. y_true - y_predicted kutsutaan

question mark

Tarkastele yllä olevaa kuvaa. Mikä regressiosuora on parempi?

Select the correct answer

question mark

y_true - y_predicted kutsutaan

Select the correct answer

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 1. Luku 2
some-alt