Summary  
This chapter introduces simple linear regression, demonstrating how to learn and use the parameters of a straight-line equation (y = b + ax) to model the relationship between one feature and a continuous target.

General domain of usage  
Housing price prediction

**Regressie** is een taak binnen begeleid leren waarbij een numerieke waarde wordt voorspeld (bijvoorbeeld de prijs van een huis), bekend als de **doelwaarde**, op basis van een reeks invoervariabelen (zoals grootte, leeftijd, locatie, enzovoort), aangeduid als **kenmerken**.



Definitie

Om het model te trainen, moet je veel voorbeelden van dergelijke huizen aanleveren, zowel kenmerken als een doelwaarde. De verzameling voorbeelden waarop je het model traint, 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 target 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 daarvan is onze voorspelling, heel eenvoudig. 
Het model voorspelt dat de persoon 64,3 inch lang zal zijn.

## Vergelijking van eenvoudige lineaire regressie
Zoals je je misschien 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 vergelijking voor eenvoudige lineaire regressie is:

In regressie wordt de waarde die we willen voorspellen genoemd:

Lineaire regressie is een cruciaal concept binnen voorspellende analyse. Het wordt veel gebruikt door data scientists, data-analisten en statistici omdat het eenvoudig te bouwen en te interpreteren is, maar krachtig genoeg voor veel toepassingen.

Laten we beginnen met het eenvoudigste lineaire regressiemodel. U leert het concept achter lineaire regressie en hoe u voorspellingen kunt doen in Python.

De meeste voorspellingstaken in de praktijk omvatten meer dan één kenmerk. U leert hoe u lineaire regressie met meerdere kenmerken kunt toepassen.

Een rechte lijn beschrijft de data niet altijd goed. Laten we leren hoe we een complexer model voor voorspelling kunnen bouwen. Daarvoor is polynomiale regressie geschikt.

Nu je weet hoe je meerdere lineaire regressiemodellen kunt bouwen, heb je een methode nodig om het beste model te selecteren. Dit is mogelijk met behulp van metrische gegevens. In deze sectie worden de meest gebruikte metrische gegevens en de uitdagingen bij het gebruik ervan toegelicht.

Wat Is Lineaire Regressie

Basisconcepten

Hoe het werkt

Voorspellingen maken

Vergelijking van eenvoudige lineaire regressie

1. In regressie wordt de waarde die we willen voorspellen genoemd:

2. Vul de open plekken in