선형 회귀 마무리

R로 하는 Supervised Learning: 회귀

Nina Zumel and John Mount

Win-Vector, LLC

선형 회귀의 장단점

  • 장점
    • 적합 및 적용이 용이함
    • 간결함
    • 과적합에 덜 취약함
R로 하는 Supervised Learning: 회귀

선형 회귀의 장단점

  • 장점
    • 적합 및 적용이 용이함
    • 간결함
    • 과적합에 덜 취약함
    • 해석 가능함
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)

Coefficients:
(Intercept)          age       weight  
    30.9941       0.8614       0.3349
R로 하는 Supervised Learning: 회귀

선형 회귀의 장단점

  • 장점
    • 적합 및 적용이 용이함
    • 간결함
    • 과적합에 덜 취약함
    • 해석 가능함
  • 단점
    • 선형 및 덧셈 관계만 표현 가능
R로 하는 Supervised Learning: 회귀

다중공선성

  • 다중공선성 -- 입력 변수들이 부분적으로 상관될 때 발생
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)

Coefficients:
(Intercept)          age       weight  
    30.9941       0.8614       0.3349
R로 하는 Supervised Learning: 회귀

다중공선성

  • 다중공선성 -- 변수들이 부분적으로 상관될 때 발생
  • 계수의 부호가 바뀔 수 있음
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)

Coefficients:
(Intercept)          age       weight  
    30.9941       0.8614       0.3349
R로 하는 Supervised Learning: 회귀

다중공선성

  • 다중공선성 -- 변수들이 부분적으로 상관될 때 발생
  • 계수의 부호가 바뀔 수 있음
  • 높은 다중공선성:
    • 계수(또는 표준 오차)가 지나치게 크게 나타남
    • 모델이 불안정해질 수 있음
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)

Coefficients:
(Intercept)          age       weight  
    30.9941       0.8614       0.3349
R로 하는 Supervised Learning: 회귀

다음 내용

  • 회귀 모델 평가
  • 모델의 올바른 학습
R로 하는 Supervised Learning: 회귀

연습해 봅시다!

R로 하는 Supervised Learning: 회귀

Preparing Video For Download...