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 costosa dal punto di vista computazionale.
Questa soluzione è chiamata Equazione Normale.

Questa equazione ci fornisce i parametri di una retta con il minimo 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

Suggested prompts:

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 5.26

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 costosa dal punto di vista computazionale.
Questa soluzione è chiamata Equazione Normale.

Questa equazione ci fornisce i parametri di una retta con il minimo 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