Tot nu toe hebben we gekeken naar lineaire regressie met slechts één feature. Dit wordt eenvoudige lineaire regressie genoemd. Maar in werkelijkheid hangt de target meestal af van meerdere features. Lineaire regressie met meer dan één feature wordt Meervoudige Lineaire Regressie genoemd.

Vergelijking voor lineaire regressie met twee features

In ons voorbeeld met lengtes zou het toevoegen van de lengte van de moeder als feature aan het model waarschijnlijk onze voorspellingen verbeteren. Maar hoe voegen we een nieuwe feature toe aan het model? Een vergelijking definieert lineaire regressie, dus we hoeven alleen een nieuwe feature aan een vergelijking toe te voegen:

Visualisatie

Bij het bespreken van het eenvoudige regressiemodel maakten we de 2D-plot waarbij één as de feature is en de andere het doel. Nu we twee features hebben, zijn er twee assen voor de features nodig en een derde voor het doel. We gaan dus van een 2D-ruimte naar een 3D-ruimte, wat veel moeilijker te visualiseren is. De video toont een 3D-scatterplot van de dataset in ons voorbeeld.

Maar nu is onze vergelijking niet meer die van een lijn. Het is een vergelijking van een vlak. Hier is een scatterplot samen met het voorspelde vlak.

Je hebt misschien gemerkt dat onze vergelijking wiskundig gezien niet veel moeilijker is geworden. Helaas is de visualisatie dat wel.