Parametrien Löytäminen
Nyt tiedämme, että lineaarinen regressio on vain viiva, joka parhaiten sopii dataan. Mutta miten voit tietää, mikä viiva on oikea?
Voit laskea erotuksen ennustetun arvon ja todellisen tavoitearvon välillä jokaiselle havaintopisteelle opetusdatassa.
Näitä erotuksia kutsutaan residuaaleiksi (tai virheiksi). Tavoitteena on saada residuaalit mahdollisimman pieniksi.
Ordinary Least Squares
Oletusmenetelmä on Ordinary Least Squares (OLS):
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-arvoja 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.
Etkö ymmärtänyt, miten se toimii? Ei hätää! Kyseessä on melko monimutkainen matematiikka. Sinun ei kuitenkaan tarvitse laskea parametreja itse. Monet kirjastot ovat jo toteuttaneet lineaarisen regressioanalyysin valmiiksi.
Kysely
1. Tarkastele yllä olevaa kuvaa. Mikä regressiosuora on parempi?
2. y_true - y_predicted kutsutaan
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Can you explain what the Normal Equation is in simpler terms?
What is the difference between residuals and SSR?
Why do we square the residuals in the OLS method?
Awesome!
Completion rate improved to 5.26Parametrien Löytäminen
Pyyhkäise näyttääksesi valikon
Nyt tiedämme, että lineaarinen regressio on vain viiva, joka parhaiten sopii dataan. Mutta miten voit tietää, mikä viiva on oikea?
Voit laskea erotuksen ennustetun arvon ja todellisen tavoitearvon välillä jokaiselle havaintopisteelle opetusdatassa.
Näitä erotuksia kutsutaan residuaaleiksi (tai virheiksi). Tavoitteena on saada residuaalit mahdollisimman pieniksi.
Ordinary Least Squares
Oletusmenetelmä on Ordinary Least Squares (OLS):
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-arvoja 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.
Etkö ymmärtänyt, miten se toimii? Ei hätää! Kyseessä on melko monimutkainen matematiikka. Sinun ei kuitenkaan tarvitse laskea parametreja itse. Monet kirjastot ovat jo toteuttaneet lineaarisen regressioanalyysin valmiiksi.
Kysely
1. Tarkastele yllä olevaa kuvaa. Mikä regressiosuora on parempi?
2. y_true - y_predicted kutsutaan
Kiitos palautteestasi!
