Podsumowanie regresji liniowej
Nadzorowane uczenie maszynowe w R: regresja
Nina Zumel and John Mount
Win-Vector, LLC
Zalety i wady regresji liniowej
- Zalety
- Łatwa w dopasowaniu i zastosowaniu
- Zwięzła
- Mniej podatna na przeuczenie
Zalety i wady regresji liniowej
- Zalety
- Łatwa w dopasowaniu i zastosowaniu
- Zwięzła
- Mniej podatna na przeuczenie
- Interpretowalność
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Zalety i wady regresji liniowej
- Zalety
- Łatwa w dopasowaniu i zastosowaniu
- Zwięzła
- Mniej podatna na przeuczenie
- Interpretowalność
- Wady
- Modeluje tylko liniowe i addytywne zależności
Współliniowość
- Współliniowość -- gdy zmienne wejściowe są częściowo skorelowane.
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Współliniowość
- Współliniowość -- gdy zmienne są częściowo skorelowane.
- Współczynniki mogą zmieniać znak
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Współliniowość
- Współliniowość -- gdy zmienne są częściowo skorelowane.
- Współczynniki mogą zmieniać znak
- Wysoka współliniowość:
- Współczynniki (lub błędy standardowe) są zbyt duże
- Model może być niestabilny
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Co dalej
- Ocena modelu regresji
- Właściwe trenowanie modelu
Czas na ćwiczenia!
Nadzorowane uczenie maszynowe w R: regresja
