Data Science Academy · Oppitunti

Lineaarinen regressio uudelleen

Kertoimet, vakiotermi ja sovitus

Oppitunti 1/413 vaihetta

Lineaarinen regressio uudelleen on ilmainen Data Science Academy-oppitunti CoddyKitissä. Tämä on oppitunti 1/4. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Data Science Academy-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Data Science Academy-kurssilla on yhteensä 4 oppituntia.

Viiva datan läpi

Lineaarinen regressio sovittaa suoran, joka ennustaa parhaiten lukua piirteidenne perusteella. Se on yksinkertaisin lähtökohta mille tahansa ennusteelle. 📈

Taustalla oleva yhtälö

Jokainen ennuste perustuu yhteen kaavaan: jokainen piirre saa painon, ja painot lasketaan yhteen. Tämä painotettu summa on viiva, jonka malli piirtää datanne läpi.

y = w1*x1 + w2*x2 + b

Tutustutaan kertoimiin

Näitä painoja kutsutaan kertoimiksi. Kukin kertoo, kuinka paljon kohde muuttuu, kun vastaava piirre kasvaa yhden yksikön verran muiden pysyessä ennallaan.

Vakiotermi ankkuroidaan

Vakiotermi on ennustettu arvo, kun kaikkien piirteiden arvo on nolla. Se siirtää koko viivaa ylös tai alas niin, että se asettuu datan kohdalle.

Mitä sovittaminen tässä tarkoittaa

Sovittaminen valitsee kertoimet, joiden avulla ennusteet ovat mahdollisimman lähellä todellisia arvoja. Malli säätää viivaa, kunnes virheet pienenevät.

Opettaminen kahdella rivillä

scikit-learn tekee tästä lyhyen: luokaa malli ja kutsukaa sitten fit-metodia piirteillänne ja kohteellanne. Matematiikka hoituu puolestanne.

from sklearn.linear_model import LinearRegression
model = LinearRegression().fit(X, y)

Lukekaa kertoimet takaisin

Sovittamisen jälkeen opitut painot ovat muuttujassa coef_ ja siirtymä muuttujassa intercept_. Ne kertovat, mitä malli oppi.

model.coef_, model.intercept_

Ennustakaa uusia arvoja

Antakaa uudet syötteet predict-metodille, niin malli soveltaa viivaa ja palauttaa luvut. Kyseessä on sama yksinkertainen kutsu, jonka näitte kaikkien estimaattorien yhteydessä.

model.predict(X_new)

Etumerkki kertoo suunnan

Positiivinen kerroin tarkoittaa, että kohde kasvaa piirteen kasvaessa; negatiivinen kerroin tarkoittaa, että se pienenee. Etumerkki on ensimmäinen vihje yhteyden suunnasta.

Se olettaa suorat yhteydet

Lineaarinen regressio pystyy kuvaamaan vain suoria riippuvuuksia, joten se voi jättää kaarevat rakenteet huomaamatta. Tämän rajoitteen tunteminen kertoo, milloin kannattaa käyttää monipuolisempia malleja.

Miksi aloittaa yksinkertaisesti

Malli opetetaan nopeasti ja se on helppo selittää, joten se on erinomainen vertailutaso. Päihittäkää tämä tulos ennen kuin luotatte monimutkaisempaan malliin.

Pikatarkistus

Varmistetaan, mitä sovitetun viivan kukin osa tarkoittaa.

Vastaa interaktiivisessa oppitunnissa

Kertaus

Lineaarinen regressio piirtää painotetun viivan: kertoimet määrittävät kulmakertoimet, vakiotermi ankkuroi viivan ja fit säätää niitä virheen pienentämiseksi. Selkeä ja nopea vertailutaso. 🎯

Aloita maksutta

Opi Python tekoälytuutorin avulla — ilmaiseksi

Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.

Kurssit: 30
Oppitunnit: 120

Aloita opiskelu maksutta Näytä koko kurssi

Usein kysytyt kysymykset

Onko oppitunti ”Lineaarinen regressio uudelleen” ilmainen?

Kyllä – oppitunnin ”Lineaarinen regressio uudelleen” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Data Science Academy-kurssin, päivitä CoddyKit PROhon. Data Science Academy-kurssilla on yhteensä 4 oppituntia.

Mitä opin oppitunnilla ”Lineaarinen regressio uudelleen”?

Kertoimet, vakiotermi ja sovitus Harjoittelet Data Science Academy-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.

Tarvitsenko kokemusta aloittaakseni Data Science Academy-opiskelun?

Aiempi kokemus ei ole tarpeen. CoddyKitin Data Science Academy-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 1/4.

Kuinka kauan ”Lineaarinen regressio uudelleen”-oppitunnin suorittaminen kestää?

Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.

Voinko kirjoittaa ja suorittaa koodia tällä Data Science Academy-oppitunnilla?

Kyllä. Jokainen Data Science Academy-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.

Kaikki tämän kurssin oppitunnit

← Takaisin: Data Science Academy