Публикации по теме 'linear-regression'
Как получить B0 и B1 в линейной регрессии
Что такое Бо и В1? эти параметры модели иногда называют teta0 и teta1. По сути, B0 представляет собой точку пересечения, а затем представляет наклон линии регрессии.
Все мы знаем, что линия регрессии задается формулой Y = B0 + B1.X
Чтобы понять, как Y выражается как функция X с этими параметрами модели, и понять, как выбирается наиболее подходящая линия, в этой публикации выводится пошаговая формула для B0 и B1.
Рассмотрим некоторые проблемы, как показано ниже, лучшая линия регрессии..
Учебное пособие по множественной линейной регрессии с набором данных жилых зданий
В этом руководстве мы будем работать с набором данных Residential Building, который содержит информацию о стоимости строительства, ценах продажи, переменных проекта и экономических переменных, соответствующих жилым квартирам на одну семью в Тегеране, Иран.
Итак, давайте начнем.
Импорт библиотек и данных
Сначала мы импортируем все необходимые библиотеки.
Далее мы загрузим данные жилого дома в фрейм данных и отделим цели от объектов.
цель (Y1) : продажная цена дома. цель..
Линейная регрессия
Вступление
Линейная регрессия может быть определена как линейная связь между зависимой переменной с заданным набором независимых переменных.
Эта линейная связь между переменными X и Y означает, что, когда одна или несколько независимых (X) переменных изменяются (увеличиваются или уменьшаются), зависимая переменная также изменяется соответственно (увеличивается или уменьшается).
Математическое уравнение
Y = mX + c
Y = это зависимая переменная, которую мы пытаемся ПРОГНОЗИРОВАТЬ..
Выбор характеристик линейной модели
выбор важных функций
Иногда даже самый простой из алгоритмов линейная регрессия может казаться немного перегруженной множеством функций X для прогнозирования переменной отклика Y.
С многомерными функциями модель может потерять свою интерпретируемость и может оказаться трудным объяснить особенности, ответственные за дисперсию в переменной отклика Y.
С многомерными элементами модель могла потерять свою предсказательную силу на тестовых данных из-за одного из следующих..
Линейная регрессия с использованием схоластического градиентного спуска в Python
По мере того как искусственный интеллект становится все более популярным, все больше людей пытаются понять нейронные сети и то, как они работают. Чтобы проиллюстрировать, нейронные сети - это компьютерные системы, которые предназначены для обучения и совершенствования, что в некоторой степени связано с человеческим мозгом.
В этом блоге я покажу вам пример использования линейной регрессии в Python (код на https://github.com/anaypant/LinearRegression/tree/master )
Чтобы узнать больше..
Линейная регрессия: важный момент, о котором следует помнить
Линейная регрессия : важно помнить
В этой статье я рассмотрел базовое определение линейной регрессии, а затем добавлю дополнительные темы, которые являются жизненно важной частью алгоритма линейной регрессии. Например, Такие темы, как Функция стоимости , Градиентный спуск , Теорема сходимости и Глобальные минимумы , которые участвуют в прогнозировании линии наилучшего соответствия. , будет подробно рассмотрено.
Линейная регрессия — это базовый, но наиболее важный алгоритм..
Линейная регрессия
Просто и эффективно…
Линейную регрессию можно определить как моделирование линии, которая иллюстрирует взаимосвязь между ответом и независимыми переменными.
Ответ : переменная, которую мы пытаемся предсказать. (Непрерывная переменная) Объясняющая переменная : входные переменные в регрессионном анализе.
Допущения линейной регрессии:
Объясняющие переменные должны быть независимыми и некоррелированными друг с другом. Члены ошибки не коррелируют друг с другом. Член ошибки..