Encerrando a regressão linear
Aprendizado Supervisionado em R: Regressão
Nina Zumel and John Mount
Win-Vector, LLC
Prós e contras da regressão linear
- Prós
- Fácil de ajustar e aplicar
- Concisa
- Menos propensa a overfitting
Prós e contras da regressão linear
- Prós
- Fácil de ajustar e aplicar
- Concisa
- Menos propensa a overfitting
- Interpretável
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Prós e contras da regressão linear
- Prós
- Fácil de ajustar e aplicar
- Concisa
- Menos propensa a overfitting
- Interpretável
- Contras
- Só expressa relações lineares e aditivas
Colinearidade
- Colinearidade — quando variáveis de entrada são parcialmente correlacionadas.
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Colinearidade
- Colinearidade — quando variáveis são parcialmente correlacionadas.
- Coeficientes podem mudar de sinal
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Colinearidade
- Colinearidade — quando variáveis são parcialmente correlacionadas.
- Coeficientes podem mudar de sinal
- Colinearidade alta:
- Coeficientes (ou erros-padrão) parecem grandes demais
- Modelo pode ser instável
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
A seguir
- Avaliar um modelo de regressão
- Treinar um modelo corretamente
Vamos praticar!
Aprendizado Supervisionado em R: Regressão
