Conceitos básicos

Regressão é uma das tarefas de aprendizado supervisionado mais populares. Seu objetivo é prever um valor numérico (por exemplo, o preço de uma casa), chamado de alvo, dado um conjunto de parâmetros (tamanho, idade, localização, etc.), que são chamados de características. Para treinar o modelo, você deve fornecer muitos exemplos dessas casas, incluindo características e um alvo. O conjunto de exemplos usados para treinar o modelo é chamado de conjunto de treinamento.

O modelo mais simples capaz de realizar tarefas de regressão é a Regressão Linear. Vamos olhar para o exemplo de uma Regressão Linear Simples primeiro. Considere este gráfico de dispersão que mostra a altura de uma pessoa e a altura de seu pai.

Como funciona

O que a Regressão Linear Simples faz é simplesmente ajustar uma linha reta aos dados de forma que a linha esteja o mais próxima possível dos pontos de dados.

Fazendo as previsões

Agora podemos usar esta linha para prever o alvo para um novo ponto. Por exemplo, vamos supor que você quer prever a altura de uma pessoa se o pai dela tem 63.5 polegadas de altura. Basta escolher um ponto da linha que corresponda a X=63.5, e o valor de y será a nossa previsão, fácil e simples. O modelo prevê que a pessoa tenha 64.3 polegadas de altura.

Equação de Regressão Linear Simples

Como você deve se lembrar da escola, a função de uma linha é y=b+ax, então, durante o treinamento, a regressão linear simples apenas aprende quais valores os termos a e b devem ter para formar uma linha desejada. Os valores que o modelo aprende são chamados de parâmetros, e mais adiante no curso, denotaremos parâmetros usando 𝛽 no lugar de a, b.
Então, a nossa equação de regressão linear simples é: