線形回帰のまとめ

R による Supervised Learning：回帰

Nina Zumel and John Mount

Win-Vector, LLC

線形回帰のメリットとデメリット

  • メリット
    • 適合・適用が容易
    • 簡潔
    • 過学習が起きにくい
R による Supervised Learning：回帰

線形回帰のメリットとデメリット

  • メリット
    • 適合・適用が容易
    • 簡潔
    • 過学習が起きにくい
    • 解釈しやすい
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)

Coefficients:
(Intercept)          age       weight  
    30.9941       0.8614       0.3349
R による Supervised Learning：回帰

線形回帰のメリットとデメリット

  • メリット
    • 適合・適用が容易
    • 簡潔
    • 過学習が起きにくい
    • 解釈しやすい
  • デメリット
    • 線形かつ加法的な関係しか表現できない
R による Supervised Learning：回帰

多重共線性

  • 多重共線性 -- 入力変数間に部分的な相関がある状態
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)

Coefficients:
(Intercept)          age       weight  
    30.9941       0.8614       0.3349
R による Supervised Learning：回帰

多重共線性

  • 多重共線性 -- 変数間に部分的な相関がある状態
  • 係数の符号が変わる可能性がある
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)

Coefficients:
(Intercept)          age       weight  
    30.9941       0.8614       0.3349
R による Supervised Learning：回帰

多重共線性

  • 多重共線性 -- 変数間に部分的な相関がある状態
  • 係数の符号が変わる可能性がある
  • 高い多重共線性の場合：
    • 係数（または標準誤差）が過大に見える
    • モデルが不安定になる可能性がある
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)

Coefficients:
(Intercept)          age       weight  
    30.9941       0.8614       0.3349
R による Supervised Learning：回帰

次のトピック

  • 回帰モデルの評価
  • モデルの適切なトレーニング
R による Supervised Learning：回帰

では、練習しましょう！

R による Supervised Learning：回帰

Preparing Video For Download...