Lineaire regressie

Basis van kansrekening in Python

Alexander A. Ramírez M.

CEO @ Synergy Vision

Lineaire functies

Plot van lineaire functie

Plot van lineaire functie

$$ y = \color{red}{slope}*x + \color{blue}{intercept} $$

$$ y = slope*x + intercept + \color{red}{random\_number} $$

Plot studie-uren vs. score

Data fitten met constant, lineair, kwadratisch en logaritmisch model

Wat is het criterium om te bepalen welk model het beste is?

Animatie van lineair model

Residuenplot

Residuenplot en fout minimaliseren

Residuenplot van lineair model

# Import LinearRegression
from sklearn.linear_model import LinearRegression

# sklearn lineair model
model = LinearRegression()
model.fit(hours_of_study, scores)

# Parameters ophalen
slope = model.coef_[0]
intercept = model.intercept_

# Parameters printen
print(slope, intercept)

(1.496703900384545, 52.44845266434719)

# Score voorspellen
score = model.predict(np.array([[15]]))
print(score)

[74.89901117]

$$ $$

import matplotlib.pyplot as plt

plt.scatter(hours_of_study, scores)
plt.plot(hours_of_study_values, model.predict(hours_of_study_values))
plt.show()

Plot van lineaire model-fit

Basis van kansrekening in Python