Привет, ребята,
Сегодня я расскажу о регрессии.

Регрессия:

  • Регрессия в общих чертах означает «возврат к прежнему или менее развитому состоянию».
  • В статистическом моделировании регрессионный анализ используется для оценки отношений между переменными.
  • В машинном обучении это подход, используемый для прогнозирования или прогнозирования результатов на основе отношений между переменными в наборе данных.
  • Напомним, регрессия — это тип алгоритма контролируемого обучения.
  • Прогноз дождя, прогноз цен на дома, прогноз трафика и т. д. — это распространенные примеры, которые решаются с помощью регрессии.
  • Регрессия в основном делится на 2 категории: линейная и нелинейная регрессия.

Регрессия в простом математическом формате может быть описана как:

Переменная Y, которая является зависимой (иначе.target), связана с независимой переменной X (линейная регрессия) или несколькими переменными X1, X2, X3. ,… ,Xn (нелинейная регрессия) вместе с некоторыми неизвестными параметрами C.

Независимые переменные также называются регрессорами.

Модель регрессии связывает Y с функцией X и c.

Математически,

Линейная регрессия:

Где Y — линейно зависимая переменная, линейно связанная с независимой переменной X и некоторым весом c.

Например. Общая стоимость = фиксированная стоимость + переменная стоимость

Мульти-линейная регрессия:

Где Y — линейно зависимая переменная, связанная с независимыми переменными X1,X2,X3,…, Xn и некоторым весом c.

Например. Сумма = (Основная сумма x Ставка) x Время + Основная сумма

Нелинейная регрессия:

Где Y — нелинейно зависимая переменная, связанная с независимыми переменными X1,X2,X3,…, Xn и некоторым весом c.

E.g.

Вот ссылки, которые я использовал:

  1. https://en.wikipedia.org/wiki/Regression_analysis
  2. https://www.quora.com/What-is-regression-in-machine-learning
  3. http://personal.cb.cityu.edu.hk/msawan/teaching/FB8916/FB8916Ch1.pdf

Плюсы и минусы регрессии еще не изучены. Как и когда я это сделаю, я скоро поделюсь заметками

Не стесняйтесь делиться информацией о регрессии.

Далее будет линейная регрессия в деталях.

Счастливого обучения!