Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Impara Regressione Quadratica | Regressione Polinomiale
Regressione Lineare con Python

bookRegressione Quadratica

Il problema della regressione lineare

Prima di definire la Regressione Polinomiale, esamineremo il caso in cui la Regressione Lineare che abbiamo studiato in precedenza non offre buoni risultati.

Qui si può osservare che il nostro semplice modello di regressione lineare non funziona bene. Questo accade perché cerca di adattare una retta ai punti dati. Tuttavia, si nota che adattare una parabola sarebbe una scelta molto migliore per i nostri punti.

Equazione della regressione quadratica

Per costruire un modello lineare, abbiamo utilizzato l'equazione di una retta (y=ax+b). Quindi, per costruire un modello parabolico, abbiamo bisogno dell'equazione di una parabola. Questa è l'equazione quadratica: y=ax²+bx+c. Sostituendo a, b e c con β si ottiene l'Equazione della Regressione Quadratica:

Il modello descritto da questa equazione è chiamato Regressione Quadratica. Come in precedenza, è necessario trovare i parametri ottimali per i nostri punti dati.

Equazione Normale e X̃

Come sempre, l'Equazione Normale si occupa di trovare i parametri ottimali. Tuttavia, è necessario definire correttamente la .

Sappiamo già come costruire la matrice per la Regressione Lineare Multipla. Si scopre che la matrice per la Regressione Polinomiale viene costruita in modo simile. Possiamo considerare come una seconda caratteristica. In questo modo, è necessario aggiungere una nuova colonna corrispondente alla . Questa conterrà gli stessi valori della colonna precedente ma elevati al quadrato.

Il video qui sotto mostra come costruire la .

Tutto è chiaro?

Come possiamo migliorarlo?

Grazie per i tuoi commenti!

Sezione 3. Capitolo 1

Chieda ad AI

expand

Chieda ad AI

ChatGPT

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Suggested prompts:

Can you explain more about how the X̃ matrix is constructed for polynomial regression?

What is the Normal Equation and how does it help find the best parameters?

How does quadratic regression differ from linear regression in practice?

Awesome!

Completion rate improved to 5.26

bookRegressione Quadratica

Scorri per mostrare il menu

Il problema della regressione lineare

Prima di definire la Regressione Polinomiale, esamineremo il caso in cui la Regressione Lineare che abbiamo studiato in precedenza non offre buoni risultati.

Qui si può osservare che il nostro semplice modello di regressione lineare non funziona bene. Questo accade perché cerca di adattare una retta ai punti dati. Tuttavia, si nota che adattare una parabola sarebbe una scelta molto migliore per i nostri punti.

Equazione della regressione quadratica

Per costruire un modello lineare, abbiamo utilizzato l'equazione di una retta (y=ax+b). Quindi, per costruire un modello parabolico, abbiamo bisogno dell'equazione di una parabola. Questa è l'equazione quadratica: y=ax²+bx+c. Sostituendo a, b e c con β si ottiene l'Equazione della Regressione Quadratica:

Il modello descritto da questa equazione è chiamato Regressione Quadratica. Come in precedenza, è necessario trovare i parametri ottimali per i nostri punti dati.

Equazione Normale e X̃

Come sempre, l'Equazione Normale si occupa di trovare i parametri ottimali. Tuttavia, è necessario definire correttamente la .

Sappiamo già come costruire la matrice per la Regressione Lineare Multipla. Si scopre che la matrice per la Regressione Polinomiale viene costruita in modo simile. Possiamo considerare come una seconda caratteristica. In questo modo, è necessario aggiungere una nuova colonna corrispondente alla . Questa conterrà gli stessi valori della colonna precedente ma elevati al quadrato.

Il video qui sotto mostra come costruire la .

Tutto è chiaro?

Come possiamo migliorarlo?

Grazie per i tuoi commenti!

Sezione 3. Capitolo 1
some-alt