Riprendere la regressione lineare

La linear regression adatta una retta che prevede al meglio un numero a partire dalle vostre feature. È il punto di partenza più semplice per qualsiasi previsione. 📈

Ogni previsione deriva da una formula: a ogni feature viene assegnato un peso e i pesi vengono sommati. Questa somma pesata è la retta che il modello traccia attraverso i vostri dati.

Questi pesi si chiamano coefficienti. Ognuno indica di quanto varia il target quando la relativa feature aumenta di un'unità, mantenendo costanti le altre.

L'intercetta è il valore previsto quando tutte le feature sono pari a zero. Sposta l'intera retta verso l'alto o verso il basso, per posizionarla dove si trovano i dati.

Eseguire il fit significa scegliere i coefficienti che rendono le previsioni il più possibile vicine ai valori reali. Il modello regola semplicemente la retta finché gli errori non diminuiscono.

scikit-learn rende tutto molto semplice: create il modello, poi chiamate fit con le vostre feature e il target. La matematica viene eseguita al posto vostro.

Dopo il fit, i pesi appresi si trovano in coef_ e lo spostamento in intercept_. Vi raccontano ciò che il modello ha imparato.

Passate gli input nuovi a predict e il modello applicherà la retta per restituire dei numeri. È la stessa semplice chiamata già vista con ogni estimator.

Un coefficiente positivo significa che il target aumenta insieme alla feature; uno negativo significa che diminuisce. Il segno è il primo indizio sulla relazione.

La linear regression può rappresentare solo andamenti rettilinei, quindi potrebbe non cogliere schemi curvi. Conoscere questo limite vi indica quando ricorrere a modelli più ricchi.

Si addestra rapidamente ed è facile da spiegare, quindi costituisce un'ottima baseline. Superate questo punteggio prima di affidarvi a qualcosa di più sofisticato.

La linear regression traccia una retta pesata: i coefficienti definiscono le pendenze, l'intercetta la ancora e il fit li regola per ridurre l'errore. Una baseline semplice e veloce. 🎯