रैखिक प्रतिगमन की पुनरावृत्ति

रैखिक प्रतिगमन ऐसी सीधी रेखा fit करता है जो आपकी विशेषताओं से किसी संख्या का सबसे अच्छा पूर्वानुमान लगाती है। किसी भी पूर्वानुमान की शुरुआत के लिए यह सबसे सरल स्थान है। 📈

हर पूर्वानुमान एक सूत्र से आता है: हर विशेषता को एक भार मिलता है और वे सभी जुड़ जाते हैं। यही भारित योग वह रेखा है जिसे मॉडल आपके डेटा के आर-पार खींचता है।

इन भारों को गुणांक कहते हैं। हर गुणांक बताता है कि बाकी चीज़ों को स्थिर रखते हुए, अपनी विशेषता के एक इकाई बढ़ने पर लक्ष्य कितना बदलता है।

अवरोध वह अनुमानित मान है जब हर विशेषता शून्य होती है। यह पूरी रेखा को ऊपर या नीचे खिसकाकर उसे डेटा की स्थिति में बैठाता है।

Fit ऐसी गुणांक-संख्या चुनता है जिनसे पूर्वानुमान वास्तविक मानों के सबसे निकट आएँ। मॉडल रेखा को तब तक समायोजित करता है जब तक त्रुटियाँ कम न हो जाएँ।

scikit-learn इसे बहुत छोटा बना देता है: मॉडल बनाएँ, फिर अपनी विशेषताओं और लक्ष्य के साथ fit कॉल करें। गणित आपके लिए हो जाता है।

Fit करने के बाद सीखे गए भार coef_ में और विस्थापन intercept_ में रहते हैं। वे बताते हैं कि मॉडल ने क्या सीखा।

नई इनपुट जानकारी predict को दें और मॉडल संख्याएँ लौटाने के लिए उस रेखा का उपयोग करेगा। यह वही सरल कॉल है जो आपने हर आकलक के साथ देखी है।

धनात्मक गुणांक का अर्थ है कि उस विशेषता के साथ लक्ष्य बढ़ता है; ऋणात्मक गुणांक का अर्थ है कि लक्ष्य घटता है। चिह्न संबंध का आपका पहला संकेत है।

रैखिक प्रतिगमन केवल सीधी रेखा वाले संबंधों को पकड़ता है, इसलिए यह घुमावदार पैटर्न छोड़ सकता है। इस सीमा को जानने से आपको पता चलता है कि अधिक सक्षम मॉडल कब चुनने हैं।

यह तेज़ी से प्रशिक्षित होता है और समझाना आसान है, इसलिए यह एक अच्छा आधार मॉडल है। अधिक जटिल चीज़ों पर भरोसा करने से पहले इस स्कोर को बेहतर बनाएँ।

रैखिक प्रतिगमन एक भारित रेखा खींचता है: गुणांक ढलान तय करते हैं, अवरोध उसे आधार देता है और fit त्रुटि घटाने के लिए उन्हें समायोजित करता है। यह एक साफ़ और तेज़ आधार मॉडल है। 🎯