Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprenda Encontrando os Parâmetros | Regressão Linear Simples
Regressão Linear com Python
course content

Conteúdo do Curso

Regressão Linear com Python

Regressão Linear com Python

1. Regressão Linear Simples
2. Regressão Linear Múltipla
3. Regressão Polinomial
4. Escolhendo o Melhor Modelo

book
Encontrando os Parâmetros

Agora sabemos que a Regressão Linear é simplesmente uma linha que melhor se ajusta aos dados. Mas como identificar qual é a linha correta?

Você pode calcular a diferença entre o valor previsto e o valor real do alvo para cada ponto de dados no conjunto de treinamento.
Essas diferenças são chamadas de resíduos (ou erros). O objetivo é tornar os resíduos o menor possível.

Mínimos Quadrados Ordinários

A abordagem padrão é o método dos Mínimos Quadrados Ordinários (OLS):
Pegue cada resíduo, eleve ao quadrado (principalmente para eliminar o sinal do resíduo) e some todos eles.
Isso é chamado de SSR (Soma dos resíduos ao quadrado). A tarefa é encontrar os parâmetros que minimizam o SSR.

Equação Normal

Felizmente, não precisamos testar todas as retas e calcular o SSR para cada uma delas. A tarefa de minimizar o SSR possui uma solução matemática que não é muito custosa computacionalmente.
Essa solução é chamada de Equação Normal.

Essa equação nos fornece os parâmetros de uma reta com o menor SSR.
Não entendeu como ela funciona? Sem problemas! É uma matemática bastante complexa. Mas não é necessário calcular os parâmetros manualmente. Muitas bibliotecas já implementaram a regressão linear.

Quiz

1. Considere a imagem acima. Qual linha de regressão é melhor?

2. y_true - y_predicted é chamado de

question mark

Considere a imagem acima. Qual linha de regressão é melhor?

Select the correct answer

question mark

y_true - y_predicted é chamado de

Select the correct answer

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 1. Capítulo 2

Pergunte à IA

expand

Pergunte à IA

ChatGPT

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

course content

Conteúdo do Curso

Regressão Linear com Python

Regressão Linear com Python

1. Regressão Linear Simples
2. Regressão Linear Múltipla
3. Regressão Polinomial
4. Escolhendo o Melhor Modelo

book
Encontrando os Parâmetros

Agora sabemos que a Regressão Linear é simplesmente uma linha que melhor se ajusta aos dados. Mas como identificar qual é a linha correta?

Você pode calcular a diferença entre o valor previsto e o valor real do alvo para cada ponto de dados no conjunto de treinamento.
Essas diferenças são chamadas de resíduos (ou erros). O objetivo é tornar os resíduos o menor possível.

Mínimos Quadrados Ordinários

A abordagem padrão é o método dos Mínimos Quadrados Ordinários (OLS):
Pegue cada resíduo, eleve ao quadrado (principalmente para eliminar o sinal do resíduo) e some todos eles.
Isso é chamado de SSR (Soma dos resíduos ao quadrado). A tarefa é encontrar os parâmetros que minimizam o SSR.

Equação Normal

Felizmente, não precisamos testar todas as retas e calcular o SSR para cada uma delas. A tarefa de minimizar o SSR possui uma solução matemática que não é muito custosa computacionalmente.
Essa solução é chamada de Equação Normal.

Essa equação nos fornece os parâmetros de uma reta com o menor SSR.
Não entendeu como ela funciona? Sem problemas! É uma matemática bastante complexa. Mas não é necessário calcular os parâmetros manualmente. Muitas bibliotecas já implementaram a regressão linear.

Quiz

1. Considere a imagem acima. Qual linha de regressão é melhor?

2. y_true - y_predicted é chamado de

question mark

Considere a imagem acima. Qual linha de regressão é melhor?

Select the correct answer

question mark

y_true - y_predicted é chamado de

Select the correct answer

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 1. Capítulo 2
some-alt