Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Leer Kwadratische Regressie | Polynomiale Regressie
Lineaire Regressie met Python

bookKwadratische Regressie

Het probleem met lineaire regressie

Voordat we de polynomiale regressie definiëren, bekijken we eerst het geval waarbij de eerder behandelde lineaire regressie niet goed werkt.

Hier zie je dat ons eenvoudige lineaire regressiemodel slecht presteert. Dit komt doordat het probeert een rechte lijn aan de datapunten aan te passen. We merken echter op dat het aanpassen van een parabool een veel betere keuze zou zijn voor onze punten.

Vergelijking van kwadratische regressie

Voor het opstellen van een model met een rechte lijn gebruikten we de vergelijking van een lijn (y=ax+b). Om een parabolisch model te bouwen, hebben we de vergelijking van een parabool nodig. Dit is de kwadratische vergelijking: y=ax²+bx+c. Door a, b en c te vervangen door β krijgen we de vergelijking van kwadratische regressie:

Het model dat door deze vergelijking wordt beschreven, wordt kwadratische regressie genoemd. Net als voorheen hoeven we alleen de beste parameters voor onze datapunten te vinden.

Normale Vergelijking en X̃

Zoals altijd zorgt de Normale Vergelijking voor het vinden van de beste parameters. Maar we moeten de correct definiëren.

We weten al hoe we de -matrix voor Meervoudige Lineaire Regressie moeten opbouwen. Het blijkt dat de -matrix voor Polynomiale Regressie op vergelijkbare wijze wordt geconstrueerd. We kunnen beschouwen als een tweede kenmerk. Op deze manier moeten we een nieuwe overeenkomstige kolom toevoegen aan de . Deze kolom bevat dezelfde waarden als de vorige kolom, maar dan in het kwadraat.

De onderstaande video laat zien hoe de wordt opgebouwd.

Was alles duidelijk?

Hoe kunnen we het verbeteren?

Bedankt voor je feedback!

Sectie 3. Hoofdstuk 1

Vraag AI

expand

Vraag AI

ChatGPT

Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.

Awesome!

Completion rate improved to 5.26

bookKwadratische Regressie

Veeg om het menu te tonen

Het probleem met lineaire regressie

Voordat we de polynomiale regressie definiëren, bekijken we eerst het geval waarbij de eerder behandelde lineaire regressie niet goed werkt.

Hier zie je dat ons eenvoudige lineaire regressiemodel slecht presteert. Dit komt doordat het probeert een rechte lijn aan de datapunten aan te passen. We merken echter op dat het aanpassen van een parabool een veel betere keuze zou zijn voor onze punten.

Vergelijking van kwadratische regressie

Voor het opstellen van een model met een rechte lijn gebruikten we de vergelijking van een lijn (y=ax+b). Om een parabolisch model te bouwen, hebben we de vergelijking van een parabool nodig. Dit is de kwadratische vergelijking: y=ax²+bx+c. Door a, b en c te vervangen door β krijgen we de vergelijking van kwadratische regressie:

Het model dat door deze vergelijking wordt beschreven, wordt kwadratische regressie genoemd. Net als voorheen hoeven we alleen de beste parameters voor onze datapunten te vinden.

Normale Vergelijking en X̃

Zoals altijd zorgt de Normale Vergelijking voor het vinden van de beste parameters. Maar we moeten de correct definiëren.

We weten al hoe we de -matrix voor Meervoudige Lineaire Regressie moeten opbouwen. Het blijkt dat de -matrix voor Polynomiale Regressie op vergelijkbare wijze wordt geconstrueerd. We kunnen beschouwen als een tweede kenmerk. Op deze manier moeten we een nieuwe overeenkomstige kolom toevoegen aan de . Deze kolom bevat dezelfde waarden als de vorige kolom, maar dan in het kwadraat.

De onderstaande video laat zien hoe de wordt opgebouwd.

Was alles duidelijk?

Hoe kunnen we het verbeteren?

Bedankt voor je feedback!

Sectie 3. Hoofdstuk 1
some-alt