Shrnutí lineární regrese
Supervised Learning in R: Regression
Nina Zumel and John Mount
Win-Vector, LLC
Výhody a nevýhody lineární regrese
- Výhody
- Snadné přizpůsobení a použití
- Stručnost
- Méně náchylné k přeučení
Výhody a nevýhody lineární regrese
- Výhody
- Snadné přizpůsobení a použití
- Stručnost
- Méně náchylné k přeučení
- Interpretovatelnost
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Výhody a nevýhody lineární regrese
- Výhody
- Snadné přizpůsobení a použití
- Stručnost
- Méně náchylné k přeučení
- Interpretovatelnost
- Nevýhody
- Vyjadřuje pouze lineární a aditivní vztahy
Kolinearita
- Kolinearita -- když jsou vstupní proměnné částečně korelovány.
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Kolinearita
- Kolinearita -- když jsou proměnné částečně korelovány.
- Koeficienty mohou změnit znaménko
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Kolinearita
- Kolinearita -- když jsou proměnné částečně korelovány.
- Koeficienty mohou změnit znaménko
- Vysoká kolinearita:
- Koeficienty (nebo standardní chyby) jsou příliš velké
- Model může být nestabilní
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Co nás čeká
- Vyhodnocení regresního modelu
- Správné trénování modelu
Pojďme si procvičit!
Supervised Learning in R: Regression
