مراجعة الانحدار الخطي

تُلاءم الانحدارات الخطية خطًا مستقيمًا يتنبأ بأفضل شكل برقم اعتمادًا على ميزاتك. وهي أبسط نقطة تبدأ منها أي عملية تنبؤ. 📈

ينتج كل تنبؤ عن صيغة واحدة: تحصل كل ميزة على وزن، ثم تُجمع الأوزان. وهذا المجموع الموزون هو الخط الذي يرسمه النموذج عبر بياناتك.

تُسمى تلك الأوزان المعاملات. يوضح كل معامل مقدار تغير الهدف عندما ترتفع ميزته بمقدار وحدة واحدة، مع تثبيت بقية الميزات.

الجزء intercept هو القيمة المتوقعة عندما تكون كل الميزات صفرًا. وهو يزيح الخط كله إلى أعلى أو أسفل ليتوافق مع موضع البيانات.

تختار الملاءمة المعاملات التي تجعل التنبؤات أقرب ما يمكن إلى القيم الحقيقية. فالنموذج يضبط الخط ببساطة حتى تتقلص الأخطاء.

يجعل scikit-learn الأمر بالغ البساطة: أنشئ النموذج، ثم استدعِ fit باستخدام الميزات والهدف. أما الحسابات فتُجرى نيابةً عنك.

بعد إجراء fit، توجد الأوزان المتعلَّمة في coef_، بينما يوجد الإزاحة في intercept_. وهما يرويان ما تعلّمه النموذج.

مرّر المدخلات الجديدة إلى predict، فيطبّق النموذج الخط ويعيد أرقامًا. إنه الاستدعاء البسيط نفسه الذي رأيته مع كل مقدِّر.

يعني المعامل الموجب أن الهدف يرتفع مع ارتفاع تلك الميزة، بينما يعني المعامل السالب أنه ينخفض. وتمنحك الإشارة أول مؤشر إلى العلاقة.

لا ينحني الانحدار الخطي إلا بطرق مستقيمة، لذلك قد يفوّت الأنماط المنحنية. وتوضح لك معرفة هذا الحد متى تحتاج إلى نماذج أكثر تعقيدًا.

يتدرب بسرعة ويسهل شرحه، لذلك يشكل خط أساس رائعًا. تغلّب على نتيجته قبل أن تثق بأي نموذج أكثر تعقيدًا.

لنتأكد من معنى كل جزء من الخط الملائم.

يرسم الانحدار الخطي خطًا موزونًا: تحدد المعاملات الميول، ويحدد الجزء المقطوع موضع الخط، بينما تضبطه fit لتقليل الخطأ. إنه خط أساس نظيف وسريع. 🎯