Понятие LinearRegression

LinearRegression — один из самых простых и широко используемых алгоритмов обучения с учителем. Он моделирует взаимосвязь между двумя переменными, подбирая для данных прямую линию.

Эта линия называется линией наилучшего соответствия.

LinearRegression идеально подходит для:

• Предсказания непрерывных значений (например, цен на дома или температуры).
• Понимания взаимосвязей между независимыми и зависимыми переменными.

Основные компоненты модели линейной регрессии:

• Наклон: определяет угол наклона линии.
• Точка пересечения: точка, в которой линия пересекает ось y.
• Ошибка: разница между фактическими и предсказанными значениями.

Формула линейной регрессии:

y = mx + b

• y: зависимая переменная (то, что Вы хотите предсказать).
• m: наклон линии.
• x: независимая переменная (входные данные).
• b: точка пересечения (константа).

LinearRegression уменьшает разницу между фактическими и предсказанными значениями, находя линию, которая минимизирует сумму квадратов ошибок (метод наименьших квадратов).

Благодаря этому линия проходит как можно ближе ко всем точкам данных.

Модель линейной регрессии обычно представляют с помощью точечной диаграммы с точками данных и линией наилучшего соответствия.

Вот пример набора данных:

• Независимая переменная (x): 1, 2, 3, 4, 5
• Зависимая переменная (y): 2, 4, 6, 8, 10

LinearRegression широко применяется в следующих сферах:

• Экономика: предсказание цен на акции.
• Здравоохранение: оценка времени восстановления пациентов.
• Маркетинг: предсказание дохода от продаж.

LinearRegression предполагает линейную взаимосвязь между переменными, но так бывает не всегда.

Кроме того, этот метод чувствителен к выбросам, которые могут существенно повлиять на линию наилучшего соответствия.

В этом уроке мы рассмотрели:

• Понятие и формулу линейной регрессии.
• Случаи её применения и основные компоненты.
• Распространённые случаи применения и ограничения.

Далее мы реализуем линейную регрессию на Python в ходе практического занятия.