Trenowanie regresji liniowej

Regresja liniowa dopasowuje prostoliniową zależność między cechami a liczbową zmienną docelową. To nie bez powodu klasyczny model na początek. 📈

Estymator znajduje się w module linear_model. Wystarczy raz go zaimportować, a następnie używać ponownie w każdym napotkanym zadaniu regresji.

Nowy model tworzy się przez wywołanie klasy. Ten pusty estymator ma ustawienia domyślne i nie widział jeszcze żadnych danych.

Teraz należy nauczyć go na podstawie cech i zmiennej docelowej. Podczas działania fit model znajduje najlepiej dopasowaną linię przechodzącą przez punkty treningowe.

Każda cecha otrzymuje współczynnik przechowywany w coef_. Informuje on, o ile zmieni się predykcja, gdy wartość tej cechy wzrośnie o jeden.

Wyraz wolny to predykcja przy zerowych wartościach wszystkich cech. Zakotwicza on linię i po dopasowaniu jest przechowywany w intercept_.

Przekazanie nowych wierszy cech do predict zwraca oszacowania liczbowe — po jednym dla każdego wiersza — obliczone bezpośrednio na podstawie dopasowanej linii.

W rzeczywistości każda predykcja to po prostu cechy pomnożone przez współczynniki plus wyraz wolny. Prosta matematyka daje zaskakująco potężne rezultaty.

To samo wywołanie obsługuje jedną cechę lub ich dziesiątki. Przy wielu danych wejściowych model dopasowuje hiperpłaszczyznę, ale kod pozostaje dokładnie taki sam.

Regresja liniowa zakłada w przybliżeniu prostoliniową zależność. Jeśli wzorzec mocno się zakrzywia, ten model będzie niedouczony i go nie uchwyci.

Importowanie, tworzenie, dopasowanie i predykcja: cztery kroki wystarczą, aby uzyskać działający model regresyjny. Ten sam rytm powtarza się przy każdym kolejnym poznawanym modelu.

Zaimportowali Państwo, utworzyli, dopasowali i wykorzystali do predykcji model regresji liniowej. Jego coef_ i intercept_ pokazują nawet, czego się nauczył. 🚀