LinearRegression Kavramı

LinearRegression, denetimli öğrenmede kullanılan en basit ve en yaygın algoritmalardan biridir. Verilere düz bir doğru uydurarak iki değişken arasındaki ilişkiyi modeller.

Bu doğruya en iyi uyum doğrusu adı verilir.

LinearRegression şu durumlar için idealdir:

• Sürekli değerleri tahmin etmek (ör. ev fiyatları, sıcaklık).
• Bağımsız ve bağımlı değişkenler arasındaki ilişkileri anlamak.

Bir LinearRegression modelinin başlıca bileşenleri şunlardır:

• Eğim: Doğrunun açısını belirler.
• Kesişim: Doğrunun y eksenini kestiği noktadır.
• Hata: Gerçek ve tahmin edilen değerler arasındaki farktır.

LinearRegression formülü şöyledir:

y = mx + b

• y: Bağımlı değişken (tahmin etmek istediğiniz şey).
• m: Doğrunun eğimi.
• x: Bağımsız değişken (girdi verileri).
• b: Kesişim (sabit).

LinearRegression, en küçük kareler yöntemini kullanarak karelenmiş hataların toplamını en aza indiren doğruyu bulur ve gerçek değerlerle tahmin edilen değerler arasındaki farkı azaltır.

Bu, doğrunun tüm veri noktalarına mümkün olduğunca yakın olmasını sağlar.

Bir LinearRegression modeli genellikle veri noktalarını gösteren bir saçılım grafiği ve en iyi uyum doğrusuyla görselleştirilir.

Örnek bir veri kümesi şöyledir:

• Bağımsız değişken (x): 1, 2, 3, 4, 5
• Bağımlı değişken (y): 2, 4, 6, 8, 10

LinearRegression şu alanlarda yaygın olarak kullanılır:

• Ekonomi: Hisse senedi fiyatlarını tahmin etmek.
• Sağlık: Hastanın iyileşme süresini tahmin etmek.
• Pazarlama: Satış gelirini tahmin etmek.

LinearRegression, değişkenler arasında doğrusal bir ilişki olduğunu varsayar; ancak durum her zaman böyle olmayabilir.

Ayrıca aykırı değerlere duyarlıdır ve bu değerler en iyi uyum doğrusunu önemli ölçüde etkileyebilir.

Bu derste şunları ele aldık:

• LinearRegression kavramı ve formülü.
• Ne zaman kullanılacağı ve temel bileşenleri.
• Yaygın kullanım alanları ve sınırlamaları.

Sonraki derste uygulamalı çalışmalarla Python'da LinearRegression uygulayacağız.