แนวคิดของ LinearRegression

LinearRegression เป็นหนึ่งในอัลกอริทึมที่ง่ายและใช้กันอย่างแพร่หลายที่สุดในการเรียนรู้แบบมีผู้สอน โดยจำลองความสัมพันธ์ระหว่างตัวแปรสองตัวด้วยการลากเส้นตรงให้พอดีกับข้อมูล

เส้นนี้เรียกว่า เส้นแนวโน้มที่เหมาะสมที่สุด

LinearRegression เหมาะสำหรับ:

• การทำนายค่าต่อเนื่อง (เช่น ราคาบ้าน อุณหภูมิ)
• การทำความเข้าใจความสัมพันธ์ระหว่างตัวแปรอิสระและตัวแปรตาม

องค์ประกอบหลักของแบบจำลอง LinearRegression ได้แก่:

• ความชัน: กำหนดมุมของเส้น
• จุดตัดแกน: จุดที่เส้นตัดแกน y
• ค่าคลาดเคลื่อน: ความแตกต่างระหว่างค่าจริงกับค่าที่ทำนาย

สูตรของ LinearRegression คือ:

y = mx + b

• y: ตัวแปรตาม (ค่าที่คุณต้องการทำนาย)
• m: ความชันของเส้น
• x: ตัวแปรอิสระ (ข้อมูลนำเข้า)
• b: จุดตัดแกน (ค่าคงที่)

LinearRegression ลดความแตกต่างระหว่างค่าจริงกับค่าที่ทำนาย โดยหาเส้นที่ทำให้ผลรวมของค่าคลาดเคลื่อนยกกำลังสองมีค่าน้อยที่สุด (วิธีกำลังสองน้อยที่สุด)

วิธีนี้ทำให้เส้นอยู่ใกล้จุดข้อมูลทั้งหมดมากที่สุด

โดยทั่วไปจะแสดงแบบจำลอง LinearRegression ด้วยแผนภาพการกระจายของจุดข้อมูลและเส้นแนวโน้มที่เหมาะสมที่สุด

นี่คือตัวอย่างชุดข้อมูล:

• ตัวแปรอิสระ (x): 1, 2, 3, 4, 5
• ตัวแปรตาม (y): 2, 4, 6, 8, 10

มีการใช้ LinearRegression อย่างแพร่หลายในด้านต่าง ๆ ดังนี้:

• เศรษฐศาสตร์: การทำนายราคาหุ้น
• การดูแลสุขภาพ: การประมาณเวลาฟื้นตัวของผู้ป่วย
• การตลาด: การทำนายรายได้จากการขาย

LinearRegression ตั้งสมมติฐานว่าความสัมพันธ์ระหว่างตัวแปรเป็นเชิงเส้น ซึ่งอาจไม่เป็นเช่นนั้นเสมอไป

นอกจากนี้ยังไวต่อค่าผิดปกติ ซึ่งอาจส่งผลอย่างมากต่อเส้นแนวโน้มที่เหมาะสมที่สุด

ในบทเรียนนี้ เราได้เรียนรู้เรื่องต่อไปนี้:

• แนวคิดและสูตรของ LinearRegression
• เวลาและองค์ประกอบสำคัญในการใช้งาน
• กรณีการใช้งานและข้อจำกัดที่พบบ่อย

ต่อไป เราจะนำ LinearRegression มาใช้งานใน Python ผ่านการฝึกปฏิบัติจริง