Linjär regression – sammanfattning
Övervakad inlärning i R: Regression
Nina Zumel and John Mount
Win-Vector, LLC
För- och nackdelar med linjär regression
- Fördelar
- Enkel att anpassa och tillämpa
- Koncis
- Mindre benägen för överanpassning
För- och nackdelar med linjär regression
- Fördelar
- Enkel att anpassa och tillämpa
- Koncis
- Mindre benägen för överanpassning
- Tolkningsbar
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
För- och nackdelar med linjär regression
- Fördelar
- Enkel att anpassa och tillämpa
- Koncis
- Mindre benägen för överanpassning
- Tolkningsbar
- Nackdelar
- Kan bara uttrycka linjära och additiva samband
Multikollinearitet
- Multikollinearitet -- när indatavariabler är delvis korrelerade.
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Multikollinearitet
- Multikollinearitet -- när variabler är delvis korrelerade.
- Koefficienter kan byta tecken
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Multikollinearitet
- Multikollinearitet -- när variabler är delvis korrelerade.
- Koefficienter kan byta tecken
- Hög multikollinearitet:
- Koefficienter (eller standardfel) ser för stora ut
- Modellen kan vara instabil
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Vad kommer härnäst
- Utvärdera en regressionsmodell
- Träna en modell på rätt sätt
Nu kör vi en övning!
Övervakad inlärning i R: Regression
