Kādus pieņēmumus izdara lineārās regresijas mašīnmācīšanās algoritms?
Kādus pieņēmumus izdara lineārās regresijas mašīnmācīšanās algoritms?

Video: Kādus pieņēmumus izdara lineārās regresijas mašīnmācīšanās algoritms?

Video: Kādus pieņēmumus izdara lineārās regresijas mašīnmācīšanās algoritms?
Video: Latvija atvadās no diriģenta Edgara Račevska 2024, Maijs
Anonim

Pieņēmumi par novērtētājiem: neatkarīgie mainīgie tiek mērīti bez kļūdām. Neatkarīgie mainīgie ir lineāri neatkarīgi viens no otra, t.i., tur ir datos nav multikolinearitātes.

Kādi šajā sakarā ir četri lineārās regresijas pieņēmumi?

Tur ir četri pieņēmumi saistīts ar a lineārā regresija modelis: Linearitāte: Attiecība starp X un Y vidējo vērtību ir lineārs . Homosedastiskums: atlikuma dispersija ir vienāda jebkurai X vērtībai. Neatkarība: novērojumi ir neatkarīgi viens no otra.

Otrkārt, kādi ir lineārās regresijas pamatpieņēmumi? Lineārās regresijas pieņēmumi

  • Regresijas modelis pēc parametriem ir lineārs.
  • Atlikumu vidējā vērtība ir nulle.
  • Atlikumu homocedastiskums vai vienāda dispersija.
  • Nav atlikumu autokorelācijas.
  • X mainīgie un atlikumi nav savstarpēji saistīti.
  • X vērtību mainīgums ir pozitīvs.
  • Regresijas modelis ir pareizi norādīts.
  • Nav perfektas multikolinearitātes.

Kādi ir lineārās regresijas pieņēmumi attiecībā uz atlikumiem?

Izkliedes diagramma atlikums vērtības salīdzinājumā ar prognozētajām vērtībām ir labs veids, kā pārbaudīt priekš homoskedastiskums. Sadalījumam nevajadzētu būt skaidram modelim, un, ja ir noteikts modelis, dati ir heteroskedastiski.

Vai regresija ir mašīnmācības veids?

Lineārs Regresija ir mašīnmācība algoritms, kura pamatā ir uzraudzīts mācīšanās . Tā veic a regresija uzdevums. Regresija modelē mērķa prognozēšanas vērtību, pamatojoties uz neatkarīgiem mainīgajiem. Lineārs regresija veic uzdevumu paredzēt atkarīgā mainīgā vērtību (y), pamatojoties uz doto neatkarīgo mainīgo (x).

Ieteicams: