Milyen feltételezéseket tesz a lineáris regressziós gépi tanulási algoritmus?
Milyen feltételezéseket tesz a lineáris regressziós gépi tanulási algoritmus?

Videó: Milyen feltételezéseket tesz a lineáris regressziós gépi tanulási algoritmus?

Videó: Milyen feltételezéseket tesz a lineáris regressziós gépi tanulási algoritmus?
Videó: Egyszerű lineáris regresszió 01 - Bevezetés a lineáris regresszióba 2024, Lehet
Anonim

Feltételezések a becslésekről: A független változókat hiba nélkül mérjük. A független változók lineárisan függetlenek egymástól, azaz ott van nincs multikollinearitás az adatokban.

Ebben a tekintetben mi a lineáris regresszió négy feltevése?

Vannak négy feltevés társítva a lineáris regresszió modell: Linearitás: X és Y átlaga közötti kapcsolat az lineáris . Homoscedaszticitás: A reziduum varianciája azonos bármely X értéknél. Függetlenség: A megfigyelések függetlenek egymástól.

Másodszor, melyek a lineáris regresszió alapfeltevései? A lineáris regresszió feltevései

  • A regressziós modell paramétereiben lineáris.
  • A maradékok átlaga nulla.
  • A reziduumok homoszedaszticitása vagy egyenlő variancia.
  • Nincs a maradékok autokorrelációja.
  • Az X változók és maradékok nem korrelálnak egymással.
  • Az X értékek változékonysága pozitív.
  • A regressziós modell helyesen van megadva.
  • Nincs tökéletes multikollinearitás.

Ennek alapján melyek a lineáris regresszió feltételezései a maradékokra vonatkozóan?

A szóródási diagram maradó Az értékek és az előrejelzett értékek jó módja az ellenőrzésnek számára homoszkedaszticitás. Az eloszlásban ne legyen egyértelmű minta, és ha van konkrét minta, akkor az adatok heteroszkedasztikusak.

A regresszió a gépi tanulás egyik formája?

Lineáris Regresszió egy gépi tanulás algoritmus alapján felügyelt tanulás . Elvégzi a regresszió feladat. Regresszió független változók alapján modellez egy cél előrejelzési értéket. Lineáris regresszió elvégzi a függő változó értékének (y) előrejelzését egy adott független változó (x) alapján.

Ajánlott: