Wat Is Lineaire Regressie
Basisconcepten
Regressie is een taak binnen het supervised learning domein waarbij een numerieke waarde wordt voorspeld (bijvoorbeeld de prijs van een huis), aangeduid als de doelwaarde, op basis van een reeks invoervariabelen (zoals grootte, leeftijd, locatie, enzovoort), die worden aangeduid als kenmerken.
Om het model te trainen, moet je veel voorbeelden van dergelijke huizen aanleveren, inclusief zowel de kenmerken als de doelwaarde. De verzameling voorbeelden waarop het model wordt getraind, wordt de trainingsset genoemd.
Het eenvoudigste model dat regressietaken kan uitvoeren is een Lineaire Regressie. Bekijk deze spreidingsdiagram die de lengte van een persoon en de lengte van zijn vader weergeeft.
Hoe het Werkt
Wat Eenvoudige Lineaire Regressie doet, is simpelweg het passen van een rechte lijn aan de gegevens zodat de lijn zo dicht mogelijk bij de datapunten ligt.
Voorspellingen Maken
Nu kunnen we deze lijn gebruiken om de doelwaarde voor een nieuw punt te voorspellen.
Stel bijvoorbeeld dat je de lengte van een persoon wilt voorspellen als zijn vader 63.5 inch lang is. Kies gewoon een punt op de lijn dat overeenkomt met X=63.5, en de y-waarde is onze voorspelling, heel eenvoudig.
Het model voorspelt dat de persoon 64.3 inch lang zal zijn.
Eenvoudige lineaire regressievergelijking
Zoals je je misschien nog herinnert van school, is de functie van een lijn y=b+ax, dus tijdens het trainen leert eenvoudige lineaire regressie simpelweg welke waarden a en b moeten hebben om een gewenste lijn te vormen. De waarden die het model leert worden parameters genoemd, en verderop in de cursus zullen we parameters aanduiden met 𝛽 in plaats van a, b. Dus onze eenvoudige lineaire regressievergelijking is:
ypred=β0+β1xWaarbij:
- β0,β1 – de parameters van het model zijn;
- ypred – de voorspelling van een doelwaarde is;
- x – de kenmerkwaarde is.
1. In regressie wordt de waarde die we willen voorspellen genoemd:
2. Vul de open plekken in
Bedankt voor je feedback!
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Geweldig!
Completion tarief verbeterd naar 3.33Wat Is Lineaire Regressie
Veeg om het menu te tonen
Basisconcepten
Regressie is een taak binnen het supervised learning domein waarbij een numerieke waarde wordt voorspeld (bijvoorbeeld de prijs van een huis), aangeduid als de doelwaarde, op basis van een reeks invoervariabelen (zoals grootte, leeftijd, locatie, enzovoort), die worden aangeduid als kenmerken.
Om het model te trainen, moet je veel voorbeelden van dergelijke huizen aanleveren, inclusief zowel de kenmerken als de doelwaarde. De verzameling voorbeelden waarop het model wordt getraind, wordt de trainingsset genoemd.
Het eenvoudigste model dat regressietaken kan uitvoeren is een Lineaire Regressie. Bekijk deze spreidingsdiagram die de lengte van een persoon en de lengte van zijn vader weergeeft.
Hoe het Werkt
Wat Eenvoudige Lineaire Regressie doet, is simpelweg het passen van een rechte lijn aan de gegevens zodat de lijn zo dicht mogelijk bij de datapunten ligt.
Voorspellingen Maken
Nu kunnen we deze lijn gebruiken om de doelwaarde voor een nieuw punt te voorspellen.
Stel bijvoorbeeld dat je de lengte van een persoon wilt voorspellen als zijn vader 63.5 inch lang is. Kies gewoon een punt op de lijn dat overeenkomt met X=63.5, en de y-waarde is onze voorspelling, heel eenvoudig.
Het model voorspelt dat de persoon 64.3 inch lang zal zijn.
Eenvoudige lineaire regressievergelijking
Zoals je je misschien nog herinnert van school, is de functie van een lijn y=b+ax, dus tijdens het trainen leert eenvoudige lineaire regressie simpelweg welke waarden a en b moeten hebben om een gewenste lijn te vormen. De waarden die het model leert worden parameters genoemd, en verderop in de cursus zullen we parameters aanduiden met 𝛽 in plaats van a, b. Dus onze eenvoudige lineaire regressievergelijking is:
ypred=β0+β1xWaarbij:
- β0,β1 – de parameters van het model zijn;
- ypred – de voorspelling van een doelwaarde is;
- x – de kenmerkwaarde is.
1. In regressie wordt de waarde die we willen voorspellen genoemd:
2. Vul de open plekken in
Bedankt voor je feedback!
