Сызыктуу регрессия татаал термин сыяктуу угулушу мүмкүн, бирок өзөгүндө бул эки өзгөрмөнүн ортосундагы мамилелерди түшүнүүгө жана болжолдоого жардам берген ыңгайлуу курал.
Сызыктуу регрессия менен кандай иш бар?
Негизинен, сызыктуу регрессия графиктеги чекиттердин жыйындысына эң туура келген сызыкты табууга байланыштуу. Бул сызык бизге алдын ала айтууга жардам берет. Диаграммадагы чекиттерди элестетиңиз — биз тенденцияны аныктап жатабыз.
Сыйкырдуу теңдеме:
Ар бир сызык сызыктуу функция менен берилген: Y = mX + b. Кайда:
-
Y: Биз эмнени болжолдоого аракет кылып жатабыз (сиздин салмагыңыз сыяктуу).
-
X: Биз болжолдоо үчүн эмнени колдонуп жатабыз (сиздин боюңуз сыяктуу).
-
m: сызыктын эңкейиши.
-
b: сызыктын баштапкы чекити.
Кантип иштейт?
Муну мындай деп ойлоп көрүңүз: эгер сиз бир топ адамдардын боюн жана алардын тиешелүү салмагын билсеңиз, сызыктуу регрессия ошол чекиттер аркылуу сызык тартат. Бул сызык жаңы бирөөнүн боюн билүү менен анын салмагын аныктоого жардам берет.
Чыныгы мисалдар:
-
Балмуздак сатуу жана температура: ысык күн (X), көбүрөөк балмуздак сатылды (Y)
-
Окуу сааттары жана экзамен баллдары: көбүрөөк окуу сааттары (X), жогорку экзамен упайлары (Y).
Процесс:
-
Маалыматтарды чогултуу: боюңуз жана салмагыңыз сыяктуу сиз окуп жаткан нерселер жөнүндө маалымат алыңыз.
-
Сызыкты тартыңыз: сызык графиктеги чекиттерди бириктирет. Бул кайталануучу процесс же так чечимдерди колдонуу болушу мүмкүн.
-
Болжолдоолорду жасаңыз: бир нерсени башкасына негиздеп болжолдоо үчүн сызыкты колдонуңуз.
Эмне үчүн маанилүү?
Божомолдор! Бул бизге учурдагы үлгүлөрдүн негизинде жыйынтыктарды болжолдоого жардам берет.
Бул өнүккөн маалымат сыйкырынын негизи.
Эскертүү:
Бул мамиле бир аз түз болгондо жакшы иштейт. Эгер баары бир жерде болсо, баары татаал болушу мүмкүн.
- Master Data Science жана AI Code Labs Academy менен! Биздин онлайн окуу лагерибизге кошулуңуз – Ийкемдүү жарым-жартылай жана толук убакыт параметрлери бар.*
