Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Вивчайте Лінійна регресія з двома ознаками | Множинна Лінійна Регресія
Лінійна регресія з Python

bookЛінійна регресія з двома ознаками

До цього часу ми розглядали лінійну регресію лише з однією ознакою. Це називається простою лінійною регресією. Але на практиці найчастіше цільова змінна залежить від декількох ознак. Лінійна регресія з більш ніж однією ознакою називається множинною лінійною регресією.

Рівняння лінійної регресії з двома ознаками

У нашому прикладі з ростом, додавання зросту матері як ознаки до моделі, ймовірно, покращить наші прогнози. Але як додати нову ознаку до моделі? Лінійну регресію визначає рівняння, тому нам потрібно просто додати нову ознаку до рівняння:

Візуалізація

Коли ми розглядали просту модель регресії, ми будували двовимірний графік, де одна вісь — це ознака, а інша — цільова змінна. Тепер, коли у нас дві ознаки, нам потрібні дві осі для ознак і третя — для цільової змінної. Тобто ми переходимо з 2D-простору у 3D, що значно складніше для візуалізації. На відео показано тривимірну діаграму розсіювання для нашого прикладу.

Але тепер наше рівняння — це не рівняння прямої. Це рівняння площини. Ось діаграма розсіювання разом із передбаченою площиною.

Ви могли помітити, що з математичної точки зору наше рівняння не стало набагато складнішим. Але, на жаль, візуалізація ускладнилася.

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 2. Розділ 1

Запитати АІ

expand

Запитати АІ

ChatGPT

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

Suggested prompts:

Can you explain how the equation changes when adding more features?

Why is it harder to visualize multiple linear regression?

Can you give an example of a real-world scenario where multiple linear regression is useful?

Awesome!

Completion rate improved to 5.26

bookЛінійна регресія з двома ознаками

Свайпніть щоб показати меню

До цього часу ми розглядали лінійну регресію лише з однією ознакою. Це називається простою лінійною регресією. Але на практиці найчастіше цільова змінна залежить від декількох ознак. Лінійна регресія з більш ніж однією ознакою називається множинною лінійною регресією.

Рівняння лінійної регресії з двома ознаками

У нашому прикладі з ростом, додавання зросту матері як ознаки до моделі, ймовірно, покращить наші прогнози. Але як додати нову ознаку до моделі? Лінійну регресію визначає рівняння, тому нам потрібно просто додати нову ознаку до рівняння:

Візуалізація

Коли ми розглядали просту модель регресії, ми будували двовимірний графік, де одна вісь — це ознака, а інша — цільова змінна. Тепер, коли у нас дві ознаки, нам потрібні дві осі для ознак і третя — для цільової змінної. Тобто ми переходимо з 2D-простору у 3D, що значно складніше для візуалізації. На відео показано тривимірну діаграму розсіювання для нашого прикладу.

Але тепер наше рівняння — це не рівняння прямої. Це рівняння площини. Ось діаграма розсіювання разом із передбаченою площиною.

Ви могли помітити, що з математичної точки зору наше рівняння не стало набагато складнішим. Але, на жаль, візуалізація ускладнилася.

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 2. Розділ 1
some-alt