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

bookTrovare i Parametri

Ora sappiamo che la Regressione Lineare è semplicemente una retta che si adatta meglio ai dati. Ma come si può determinare quale sia quella corretta?

È possibile calcolare la differenza tra il valore previsto e il valore reale del target per ciascun punto dati nel set di addestramento.
Queste differenze sono chiamate residui (o errori). L'obiettivo è rendere i residui il più piccoli possibile.

Minimi Quadrati Ordinari

L'approccio predefinito è il metodo dei Minimi Quadrati Ordinari (OLS):
Si prende ciascun residuo, lo si eleva al quadrato (principalmente per eliminare il segno del residuo) e si sommano tutti.
Questo è chiamato SSR (Somma dei residui quadratici). Il compito è trovare i parametri che minimizzano la SSR.

Equazione Normale

Fortunatamente, non è necessario provare tutte le rette e calcolare l'SSR per ciascuna di esse. Il compito di minimizzare l'SSR ha una soluzione matematica che non è molto onerosa dal punto di vista computazionale.
Questa soluzione è chiamata Equazione Normale.

Questa equazione ci fornisce i parametri di una retta con il minor SSR.
Non hai capito come funziona? Nessun problema! Si tratta di una matematica piuttosto complessa. Ma non è necessario calcolare i parametri manualmente. Molte librerie hanno già implementato la regressione lineare.

Quiz

1. Considera l'immagine sopra. Quale retta di regressione è migliore?

2. y_true - y_predicted è chiamato

question mark

Considera l'immagine sopra. Quale retta di regressione è migliore?

Select the correct answer

question mark

y_true - y_predicted è chiamato

Select the correct answer

Tutto è chiaro?

Come possiamo migliorarlo?

Grazie per i tuoi commenti!

Sezione 1. Capitolo 2

Chieda ad AI

expand

Chieda ad AI

ChatGPT

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

Awesome!

Completion rate improved to 5.26

bookTrovare i Parametri

Scorri per mostrare il menu

Ora sappiamo che la Regressione Lineare è semplicemente una retta che si adatta meglio ai dati. Ma come si può determinare quale sia quella corretta?

È possibile calcolare la differenza tra il valore previsto e il valore reale del target per ciascun punto dati nel set di addestramento.
Queste differenze sono chiamate residui (o errori). L'obiettivo è rendere i residui il più piccoli possibile.

Minimi Quadrati Ordinari

L'approccio predefinito è il metodo dei Minimi Quadrati Ordinari (OLS):
Si prende ciascun residuo, lo si eleva al quadrato (principalmente per eliminare il segno del residuo) e si sommano tutti.
Questo è chiamato SSR (Somma dei residui quadratici). Il compito è trovare i parametri che minimizzano la SSR.

Equazione Normale

Fortunatamente, non è necessario provare tutte le rette e calcolare l'SSR per ciascuna di esse. Il compito di minimizzare l'SSR ha una soluzione matematica che non è molto onerosa dal punto di vista computazionale.
Questa soluzione è chiamata Equazione Normale.

Questa equazione ci fornisce i parametri di una retta con il minor SSR.
Non hai capito come funziona? Nessun problema! Si tratta di una matematica piuttosto complessa. Ma non è necessario calcolare i parametri manualmente. Molte librerie hanno già implementato la regressione lineare.

Quiz

1. Considera l'immagine sopra. Quale retta di regressione è migliore?

2. y_true - y_predicted è chiamato

question mark

Considera l'immagine sopra. Quale retta di regressione è migliore?

Select the correct answer

question mark

y_true - y_predicted è chiamato

Select the correct answer

Tutto è chiaro?

Come possiamo migliorarlo?

Grazie per i tuoi commenti!

Sezione 1. Capitolo 2
some-alt