Въведение в многовариантната регресия
- Терминът в многовариантна означава модел с повече от една променлива
- Мултивариалната регресия е част от многовариантната статистика.
- Мултивариантната регресия е техника, използвана за оценка на единичен регресионен модел, когато има повече от една променлива на изхода.
- Многовариантна регресия, често използвана алгоритъм за машинно обучение, който е алгоритъм за супервизирано обучение.
Защо единичният регресионен модел няма да работи?
- Както е известно, че регресионният анализ се използва главно за изследване на връзката между зависима и независима променлива.
- В реалния свят има много ситуации, при които много независими променливи влияят от други променливи, за това трябва да преминем към различни опции, отколкото един регресионен модел, който може да вземе само една независима променлива.
Какво е многовариантна регресия?
- Многовариантната регресия помага да се използва за измерване на ъгъла на повече от една независима променлива и повече от една зависима променлива. Той намира връзката между променливите (Линейно свързани).
- Използва се за прогнозиране на поведението на променливата на резултата и асоциацията на променливите на прогнозата и как променливите променливи се променят.
- Може да се прилага в много практически области като политика, икономика, медицина, изследователски работи и много различни видове бизнес.
- Многовариантната регресия е просто удължаване на множествената регресия.
- Множествената регресия се използва за прогнозиране и обмен на стойности на една променлива въз основа на колективната стойност на повече от една стойност на променливи променливи.
- Първо, ще вземем пример, за да разберем използването на многовариантна регресия, след което ще потърсим решението на този проблем.
Примери за многовариантна регресия
- Ако Дружеството за електронна търговия е събрало данните на своите клиенти, като Възраст, закупена история на клиент, пол и компания, искат да намерят връзката между тези различни зависими и независими променливи.
- Фитнес треньор е събрал данните на своя клиент, които идват в неговия фитнес и искат да наблюдават някои неща на клиента, които са здраве, хранителни навици (кой вид клиент консумира всяка седмица), теглото на клиента. Това иска да намери връзка между тези променливи.
Както видяхте в горните два примера, че и в двете ситуации има повече от една променлива, някои от тях са зависими, а някои са независими, така че единичната регресия не е достатъчна за анализ на този вид данни.
Ето мултивариантната регресия, която влиза в картината.
1. Избор на функция -
Изборът на функции играе най-важната роля при многовариантната регресия.
Намиране на функцията, която е необходима за намиране на коя променлива зависи от тази функция.
2. Нормализиращи функции -
За по-добър анализ е необходимо да се мащабират функциите, за да се стигне до определен диапазон. Можем също да променим стойността на всяка функция.
3. Изберете функция за загуба и хипотеза -
Функцията загуба изчислява загубата, когато хипотезата прогнозира грешна стойност.
И хипотеза означава прогнозирана стойност от променливата на характеристиките.
4. Задайте параметри на хипотезата -
Задайте параметъра на хипотезата, който може да намали функцията за загуба и може да предвиди.
5. Минимизиране на функцията за загуба-
Минимизиране на загубата чрез използване на някакъв алгоритъм за минимизиране на загубите и използването им върху набора от данни, което може да ви помогне да настроите параметрите на хипотезата. След като загубата е сведена до минимум, тя може да се използва за прогнозиране.
Има много алгоритми, които могат да се използват за намаляване на загубите, като наклон на градиента.
6. Тествайте функцията на хипотезата -
Проверете функцията на хипотезата колко правилно тя прогнозира стойностите, тествайте я върху тестови данни.
Стъпки за следване на архив Многовариантна регресия
1) Импортирайте необходимите общи библиотеки, като numpy, pandas
2) Прочетете набора от данни, използвайки библиотеката на пандите
3) Както вече говорихме по-горе, че трябва да нормализираме данните, за да постигнем по-добри резултати. Защо нормализиране, защото всяка функция има различен диапазон от стойности.
4) Създайте модел, който може да архивира регресията, ако използвате линейно регресионно уравнение
Y = mx + c
В която х е даден вход, m е наклонена линия, c е постоянна, y е променливата на изхода.
5) Тренирайте модела с помощта на хиперпараметър. Разберете хиперпараметъра, задайте го според модела. Като степен на обучение, епохи, итерации.
6) Както беше обсъдено по-горе как хипотезата играе важна роля в анализа, проверява хипотезата и измерва функцията загуба / цена.
7) Функцията загуба / цена ще ни помогне да измерим доколко стойността на хипотезата е вярна и точна.
8) Минимизирането на функцията загуба / цена ще помогне на модела да подобри прогнозата.
9) Уравнението на загубата може да бъде определено като сума от квадратна разлика между прогнозираната стойност и действителната стойност, разделена на два пъти по-голяма от размера на набора от данни.
10) За да се сведе до минимум функцията загуба / цена използвайте градиентно спускане, тя започва с произволна стойност и намира точката, в която функцията им за загуба е най-малка.
Следвайки горното, можем да реализираме многовариантна регресия
Предимства на многовариантната регресия
- Многовариантната техника позволява да се намери връзка между променливи или характеристики
- Той помага да се намери връзка между независими и зависими променливи.
Dis предимства на многовариантната регресия
- Многомерните техники са малко сложно и математическо изчисление на високо ниво
- Резултатите от многовариантния регресионен модел не могат да се интерпретират лесно и понякога, защото някои изходни загуби и грешки не са идентични.
- Не може да се приложи към малък набор от данни, тъй като резултатите са по-ясни при по-големи набори от данни.
Заключение - Многовариантна регресия
- Основната цел да се използва многовариантна регресия е, когато имате повече от една променлива са налични и в този случай единичната линейна регресия няма да работи.
- Основно реалният свят има множество променливи или функции, когато се използват много променливи / функции многомерна регресия.
Препоръчителни статии
Това е ръководство за многовариантната регресия. Тук обсъждаме Въведение, Примери за многовариантна регресия, заедно с Предимствата и Дис Преимуществата. Можете да разгледате и другите ни предложени статии, за да научите повече -
- Регресия формула
- Курс за научни данни в Лондон
- SAS Оператори
- Техники на научните данни
- Променливи в JavaScript
- Основни разлики между регресия и класификация