Lineaarinen Regressio Kahdella Muuttujalla
Tähän asti olemme tarkastelleet lineaarista regressiota vain yhdellä ominaisuudella. Tätä kutsutaan yksinkertaiseksi lineaariseksi regressioksi. Todellisuudessa kohde kuitenkin useimmiten riippuu useista ominaisuuksista. Lineaarista regressiota, jossa on useampi kuin yksi ominaisuus, kutsutaan moninkertaiseksi lineaariseksi regressioksi.
Kaksiominaisuuksinen lineaarisen regression yhtälö
Esimerkissämme pituuksista äidin pituuden lisääminen mallin ominaisuudeksi todennäköisesti parantaisi ennusteitamme. Mutta miten uusi ominaisuus lisätään malliin? Lineaarista regressiota määrittää yhtälö, joten meidän tarvitsee vain lisätä uusi ominaisuus yhtälöön:
Visualisointi
Kun käsittelimme yksinkertaista regressiomallia, rakensimme 2D-kuvaajan, jossa toinen akseli oli ominaisuus ja toinen kohde. Nyt kun meillä on kaksi ominaisuutta, tarvitsemme kaksi akselia ominaisuuksille ja kolmannen kohteelle. Siirrymme siis 2D-avaruudesta 3D-avaruuteen, jonka hahmottaminen on paljon vaikeampaa. Videolla näytetään esimerkkiaineiston 3D-hajontakuvio.
Nyt yhtälömme ei kuitenkaan ole enää suoran yhtälö, vaan tason yhtälö. Tässä on hajontakuvio sekä ennustettu taso.
Olet ehkä huomannut, että matemaattisesti yhtälömme ei ole juurikaan monimutkaistunut. Valitettavasti visualisointi on kuitenkin vaikeutunut.
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Can you explain how the equation changes when adding more features?
Why is it harder to visualize multiple linear regression?
Can you give an example of a real-world scenario where multiple linear regression is useful?
Awesome!
Completion rate improved to 5.26Lineaarinen Regressio Kahdella Muuttujalla
Pyyhkäise näyttääksesi valikon
Tähän asti olemme tarkastelleet lineaarista regressiota vain yhdellä ominaisuudella. Tätä kutsutaan yksinkertaiseksi lineaariseksi regressioksi. Todellisuudessa kohde kuitenkin useimmiten riippuu useista ominaisuuksista. Lineaarista regressiota, jossa on useampi kuin yksi ominaisuus, kutsutaan moninkertaiseksi lineaariseksi regressioksi.
Kaksiominaisuuksinen lineaarisen regression yhtälö
Esimerkissämme pituuksista äidin pituuden lisääminen mallin ominaisuudeksi todennäköisesti parantaisi ennusteitamme. Mutta miten uusi ominaisuus lisätään malliin? Lineaarista regressiota määrittää yhtälö, joten meidän tarvitsee vain lisätä uusi ominaisuus yhtälöön:
Visualisointi
Kun käsittelimme yksinkertaista regressiomallia, rakensimme 2D-kuvaajan, jossa toinen akseli oli ominaisuus ja toinen kohde. Nyt kun meillä on kaksi ominaisuutta, tarvitsemme kaksi akselia ominaisuuksille ja kolmannen kohteelle. Siirrymme siis 2D-avaruudesta 3D-avaruuteen, jonka hahmottaminen on paljon vaikeampaa. Videolla näytetään esimerkkiaineiston 3D-hajontakuvio.
Nyt yhtälömme ei kuitenkaan ole enää suoran yhtälö, vaan tason yhtälö. Tässä on hajontakuvio sekä ennustettu taso.
Olet ehkä huomannut, että matemaattisesti yhtälömme ei ole juurikaan monimutkaistunut. Valitettavasti visualisointi on kuitenkin vaikeutunut.
Kiitos palautteestasi!
