Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lära Hitta Parametrarna | Enkel Linjär Regression
Linjär Regression med Python
course content

Kursinnehåll

Linjär Regression med Python

Linjär Regression med Python

1. Enkel Linjär Regression
2. Multipel Linjär Regression
3. Polynomregression
4. Välja Den Bästa Modellen

book
Hitta Parametrarna

Vi vet nu att linjär regression är en linje som bäst passar data. Men hur kan du avgöra vilken som är den rätta?

Du kan beräkna skillnaden mellan det förutsagda värdet och det faktiska mål-värdet för varje datapunkt i träningsmängden.
Dessa skillnader kallas residualer (eller fel). Målet är att göra residualerna så små som möjligt.

Ordinary Least Squares

Standardmetoden är Ordinary Least Squares (OLS):
Ta varje residual, kvadrera den (främst för att eliminera tecknet på en residual), och summera alla.
Detta kallas SSR (Sum of squared residuals). Uppgiften är att hitta de parametrar som minimerar SSR.

Normalekvationen

Lyckligtvis behöver vi inte prova alla linjer och beräkna SSR för dem. Uppgiften att minimera SSR har en matematisk lösning som inte är särskilt beräkningsintensiv.
Denna lösning kallas Normalekvationen.

Denna ekvation ger oss parametrarna för en linje med lägst SSR.
Förstod du inte hur det fungerar? Ingen fara! Det är ganska komplex matematik. Men du behöver inte beräkna parametrarna för hand. Många bibliotek har redan implementerat linjär regression.

Quiz

1. Titta på bilden ovan. Vilken regressionslinje är bättre?

2. y_true - y_predicted kallas

question mark

Titta på bilden ovan. Vilken regressionslinje är bättre?

Select the correct answer

question mark

y_true - y_predicted kallas

Select the correct answer

Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 2

Fråga AI

expand

Fråga AI

ChatGPT

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

course content

Kursinnehåll

Linjär Regression med Python

Linjär Regression med Python

1. Enkel Linjär Regression
2. Multipel Linjär Regression
3. Polynomregression
4. Välja Den Bästa Modellen

book
Hitta Parametrarna

Vi vet nu att linjär regression är en linje som bäst passar data. Men hur kan du avgöra vilken som är den rätta?

Du kan beräkna skillnaden mellan det förutsagda värdet och det faktiska mål-värdet för varje datapunkt i träningsmängden.
Dessa skillnader kallas residualer (eller fel). Målet är att göra residualerna så små som möjligt.

Ordinary Least Squares

Standardmetoden är Ordinary Least Squares (OLS):
Ta varje residual, kvadrera den (främst för att eliminera tecknet på en residual), och summera alla.
Detta kallas SSR (Sum of squared residuals). Uppgiften är att hitta de parametrar som minimerar SSR.

Normalekvationen

Lyckligtvis behöver vi inte prova alla linjer och beräkna SSR för dem. Uppgiften att minimera SSR har en matematisk lösning som inte är särskilt beräkningsintensiv.
Denna lösning kallas Normalekvationen.

Denna ekvation ger oss parametrarna för en linje med lägst SSR.
Förstod du inte hur det fungerar? Ingen fara! Det är ganska komplex matematik. Men du behöver inte beräkna parametrarna för hand. Många bibliotek har redan implementerat linjär regression.

Quiz

1. Titta på bilden ovan. Vilken regressionslinje är bättre?

2. y_true - y_predicted kallas

question mark

Titta på bilden ovan. Vilken regressionslinje är bättre?

Select the correct answer

question mark

y_true - y_predicted kallas

Select the correct answer

Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 2
some-alt