Գծային ռեգրեսիան կարող է հնչել որպես բարդ տերմին, բայց դրա հիմքում այն հարմար գործիք է, որն օգնում է մեզ հասկանալ և կանխատեսել հարաբերությունները երկու փոփոխականների միջև:
Ի՞նչ գործ ունի գծային ռեգրեսիայի հետ:
Իր հիմքում գծային ռեգրեսիան այն գիծ գտնելն է, որը լավագույնս համապատասխանում է գրաֆիկի մի շարք կետերի: Այս տողը մեզ օգնում է կանխատեսումներ անել: Պատկերացրեք, որ գծագրեք կետերը գծապատկերի վրա. մենք պարզում ենք միտումը:
Կախարդական հավասարումը.
Յուրաքանչյուր տող ներկայացված է գծային ֆունկցիայով՝ Y = mX + b: Որտեղ:
-
Y: Ինչ ենք մենք փորձում կանխատեսել (ինչպես ձեր քաշը):
-
X: Այն, ինչ մենք օգտագործում ենք կանխատեսում կատարելու համար (ինչպես ձեր հասակը):
-
մ. Գծի թեքություն:
-
բ: Գծի մեկնարկային կետը:
Ինչպե՞ս է այն աշխատում:
Մտածեք այսպես. Եթե դուք գիտեք մի խումբ մարդկանց հասակը և նրանց համապատասխան կշիռները, գծային ռեգրեսիան գիծ է քաշում այդ կետերի միջով: Այս տողը մեզ օգնում է գուշակել նորեկի քաշը՝ միայն իմանալով նրա հասակը:
Իրական կյանքի օրինակներ.
-
Պաղպաղակի վաճառք և ջերմաստիճան. շոգ օր (X), ավելի շատ վաճառված պաղպաղակ (Y)
-
Ուսման ժամեր և քննությունների միավորներ. ավելի շատ ուսումնական ժամեր (X), ավելի բարձր քննությունների միավորներ (Y):
Գործընթացը.
-
Հավաքեք տվյալներ. Ստացեք տեղեկություններ այն բաների մասին, որոնք դուք ուսումնասիրում եք, ինչպիսիք են հասակը և քաշը:
-
Գծեք գիծը. Գիծը կապում է ձեր գրաֆիկի կետերը: Սա կարող է լինել կամ կրկնվող գործընթաց կամ օգտագործել ճշգրիտ լուծումներ:
-
Կատարեք կանխատեսումներ: Օգտագործեք գիծը, մի բան կանխատեսելու համար՝ հիմնվելով մյուսի վրա:
Ինչու՞ է դա կարևոր:
Կանխատեսումներ. Այն օգնում է մեզ գուշակել արդյունքները՝ հիմնված առկա օրինաչափությունների վրա:
Դա հիմք է տվյալների ավելի առաջադեմ մոգության համար:
Զգուշացում.
Այն լավագույնս աշխատում է, երբ հարաբերությունները որոշակիորեն ուղիղ են: Եթե դա ամենուր է, ամեն ինչ կարող է բարդանալ:
Տվյալների գիտությունը և AI-ի վարպետությունը Code Labs Academy-ով: Միացեք մեր առցանց Bootcamp-ին – Հասանելի են ճկուն կես դրույքով և լրիվ դրույքով ընտրանքներ:
