Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Вивчайте Поліноміальна Регресія | Секція
Practice
Projects
Quizzes & Challenges
Вікторини
Challenges
/
Основи Контрольованого Навчання

bookПоліноміальна Регресія

У попередньому розділі ми розглядали квадратичну регресію, графік якої є параболою. Аналогічно, можна додати до рівняння, щоб отримати кубічну регресію з більш складним графіком. Також можна додати x⁴ і так далі.

Ступінь поліноміальної регресії

Загалом це називається поліноміальним рівнянням і є рівнянням поліноміальної регресії. Найвищий степінь x визначає ступінь поліноміальної регресії у рівнянні. Ось приклад

Поліноміальна регресія n-го ступеня

Якщо n — це ціле число більше двох, можна записати рівняння поліноміальної регресії n-го ступеня.

ypred=β0+β1x+β2x2++βnxny_{\text{pred}} = \beta_0 + \beta_1 x + \beta_2 x^2 + \dots + \beta_n x^n

Де:

  • β0,β1,β2,,βn\beta_0, \beta_1, \beta_2, \dots, \beta_n – параметри моделі;
  • ypredy_{\text{pred}} – прогноз цільової змінної;
  • xx – значення ознаки;
  • nn – ступінь поліноміальної регресії.

Нормальне рівняння

Як завжди, параметри знаходяться за допомогою нормального рівняння:

β=(β0β1βn)=(X~TX~)1X~Tytrue\vec{\beta} = \begin{pmatrix} \beta_0 \\ \beta_1 \\ \dots \\ \beta_n \end{pmatrix} = (\tilde{X}^T \tilde{X})^{-1} \tilde{X}^T y_{\text{true}}

Де:

  • β0,β1,,βn\beta_0, \beta_1, \dots, \beta_n – параметри моделі;
X~=(1XX2Xn)\tilde{X} = \begin{pmatrix} | & | & | & \dots & | \\ 1 & X & X^2 & \dots & X^n \\ | & | & | & \dots & | \end{pmatrix}
  • XX – масив значень ознак з навчальної вибірки;
  • XkX^k – піднесення до степеня kk кожного елемента масиву XX;
  • ytruey_{\text{true}} – масив цільових значень з навчальної вибірки.

Поліноміальна регресія з декількома ознаками

Для побудови ще складніших форм можна використовувати поліноміальну регресію з більш ніж однією ознакою. Але навіть для двох ознак поліноміальна регресія другого ступеня має досить громіздке рівняння.

У більшості випадків така складна модель не потрібна. Простіші моделі (наприклад, множинна лінійна регресія) зазвичай достатньо добре описують дані, їх легше інтерпретувати, візуалізувати та вони менш ресурсоємні.

question mark

Оберіть НЕПРАВИЛЬНЕ твердження.

Select the correct answer

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 1. Розділ 11

Запитати АІ

expand

Запитати АІ

ChatGPT

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

bookПоліноміальна Регресія

Свайпніть щоб показати меню

У попередньому розділі ми розглядали квадратичну регресію, графік якої є параболою. Аналогічно, можна додати до рівняння, щоб отримати кубічну регресію з більш складним графіком. Також можна додати x⁴ і так далі.

Ступінь поліноміальної регресії

Загалом це називається поліноміальним рівнянням і є рівнянням поліноміальної регресії. Найвищий степінь x визначає ступінь поліноміальної регресії у рівнянні. Ось приклад

Поліноміальна регресія n-го ступеня

Якщо n — це ціле число більше двох, можна записати рівняння поліноміальної регресії n-го ступеня.

ypred=β0+β1x+β2x2++βnxny_{\text{pred}} = \beta_0 + \beta_1 x + \beta_2 x^2 + \dots + \beta_n x^n

Де:

  • β0,β1,β2,,βn\beta_0, \beta_1, \beta_2, \dots, \beta_n – параметри моделі;
  • ypredy_{\text{pred}} – прогноз цільової змінної;
  • xx – значення ознаки;
  • nn – ступінь поліноміальної регресії.

Нормальне рівняння

Як завжди, параметри знаходяться за допомогою нормального рівняння:

β=(β0β1βn)=(X~TX~)1X~Tytrue\vec{\beta} = \begin{pmatrix} \beta_0 \\ \beta_1 \\ \dots \\ \beta_n \end{pmatrix} = (\tilde{X}^T \tilde{X})^{-1} \tilde{X}^T y_{\text{true}}

Де:

  • β0,β1,,βn\beta_0, \beta_1, \dots, \beta_n – параметри моделі;
X~=(1XX2Xn)\tilde{X} = \begin{pmatrix} | & | & | & \dots & | \\ 1 & X & X^2 & \dots & X^n \\ | & | & | & \dots & | \end{pmatrix}
  • XX – масив значень ознак з навчальної вибірки;
  • XkX^k – піднесення до степеня kk кожного елемента масиву XX;
  • ytruey_{\text{true}} – масив цільових значень з навчальної вибірки.

Поліноміальна регресія з декількома ознаками

Для побудови ще складніших форм можна використовувати поліноміальну регресію з більш ніж однією ознакою. Але навіть для двох ознак поліноміальна регресія другого ступеня має досить громіздке рівняння.

У більшості випадків така складна модель не потрібна. Простіші моделі (наприклад, множинна лінійна регресія) зазвичай достатньо добре описують дані, їх легше інтерпретувати, візуалізувати та вони менш ресурсоємні.

question mark

Оберіть НЕПРАВИЛЬНЕ твердження.

Select the correct answer

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 1. Розділ 11
some-alt