Summary  
This chapter demonstrates how to extend simple linear regression to multiple linear regression with two features by adding an additional term to the regression equation and interpreting the result as a plane in 3D space.  

General domain of usage  
Machine learning regression tasks

Até agora, analisamos a regressão linear com apenas uma variável. Isso é chamado de regressão linear simples.
Mas, na prática, na maioria das vezes o alvo depende de várias variáveis. A regressão linear com mais de uma variável é chamada de **Regressão Linear Múltipla**.

## Equação de Regressão Linear com Duas Variáveis
No nosso exemplo com alturas, adicionar a altura da mãe como uma variável ao modelo provavelmente melhoraria nossas previsões. Mas como adicionar uma nova variável ao modelo? Uma equação define a regressão linear, então basta adicionar uma nova variável à equação:

## Visualização
Quando discutimos o modelo de regressão simples, construímos o gráfico 2D onde um eixo representa a característica e o outro o alvo. Agora que temos duas características, precisamos de dois eixos para as características e um terceiro para o alvo. Portanto, estamos passando de um espaço 2D para um 3D, que é muito mais difícil de visualizar. O vídeo mostra um gráfico de dispersão 3D do conjunto de dados em nosso exemplo.

Mas agora, nossa equação não é mais a equação de uma linha. É a equação de um plano. Aqui está um gráfico de dispersão junto com o plano previsto.

Você pode ter notado que, matematicamente, nossa equação não ficou muito mais difícil. Mas, infelizmente, a visualização ficou.

A Regressão Linear é um conceito fundamental em análise preditiva. É amplamente utilizada por cientistas de dados, analistas de dados e estatísticos, pois é fácil de construir e interpretar, mas poderosa o suficiente para diversas tarefas.

Vamos começar com o modelo mais simples de Regressão Linear! Você aprenderá o conceito por trás da Regressão Linear e como realizar previsões em Python.

A maioria das tarefas de previsão do mundo real envolve mais de uma variável. Você aprenderá como lidar com Regressão Linear com múltiplas variáveis.

Uma linha reta nem sempre descreve bem os dados. Vamos aprender como construir um modelo mais complexo para previsão! É para isso que a Regressão Polinomial é adequada.

Agora que você sabe como construir vários modelos de Regressão Linear, é necessário um método para escolher o melhor. Isso pode ser feito utilizando métricas. Esta seção explica as métricas mais utilizadas e as dificuldades que podem surgir ao utilizá-las.