Вступ до багатоваріантної регресії
- Термін у багатоваріантному означає модель з більш ніж однією змінною
- Багатоваріантна регресія є частиною багатоваріантної статистики.
- Багатоваріантна регресія - це метод, що використовується для оцінки єдиної регресійної моделі, коли існує більше однієї змінної результату.
- Для багатоваріантної регресії зазвичай використовується алгоритм машинного навчання, який є алгоритмом контрольованого навчання.
Чому окрема модель регресії не працюватиме?
- Як відомо, що регресійний аналіз в основному використовується для дослідження взаємозв'язку між залежною та незалежною змінною.
- У реальному світі існує багато ситуацій, коли на багато незалежних змінних впливають інші змінні, тому нам доводиться переходити до інших варіантів, ніж до єдиної регресійної моделі, яка може приймати лише одну незалежну змінну.
Що таке багатоваріантна регресія?
- Багатоваріантна регресія допомагає використовувати для вимірювання кута більш ніж однієї незалежної змінної та більше однієї залежної змінної. Він знаходить зв’язок між змінними (лінійно пов'язаними).
- Він використовувався для прогнозування поведінки змінної результатів і асоціації змінних предиктора та того, як змінюються змінні предиктора.
- Він може бути застосований у багатьох практичних сферах, таких як політика, економіка, медицина, науково-дослідні роботи та багато різних видів бізнесу.
- Багатоваріантна регресія - це просте розширення множинної регресії.
- Множинна регресія використовується для прогнозування та обміну значеннями однієї змінної на основі сукупного значення більш ніж одного значення змінних предиктора.
- Спочатку ми візьмемо приклад, щоб зрозуміти використання багатоваріантної регресії, після чого будемо шукати рішення цього питання.
Приклади багатоваріантної регресії
- Якщо компанія з електронної комерції зібрала дані своїх клієнтів, такі як вік, історія придбаних клієнтів, стать та компанія, хочуть знайти взаємозв'язок між цими різними залежними та незалежними змінними.
- Тренер гімнастики зібрав дані свого клієнта, які приходять до його тренажерного залу та хочуть спостерігати за деякими речами клієнта, які стосуються здоров’я, харчових звичок (який тип клієнт споживає щотижня), ваги клієнта. Це хоче знайти зв’язок між цими змінними.
Як ви бачили на вищезгаданих двох прикладах, що в обох ситуаціях є більше однієї змінної, деякі залежні, а деякі незалежні, тому однієї регресії недостатньо для аналізу такого роду даних.
Ось багатофакторна регресія, яка входить у картину.
1. Вибір функції -
Вибір особливостей відіграє найважливішу роль у багатоваріантній регресії.
Пошук функції, яка потрібна для пошуку, яка змінна залежить від цієї функції.
2. Нормалізуючі функції -
Для кращого аналізу необхідно масштабувати функції, щоб вони потрапляли в певний діапазон. Ми також можемо змінити значення кожної функції.
3. Виберіть функцію втрати та гіпотезу -
Функція втрати обчислює втрати, коли гіпотеза передбачає неправильне значення.
І гіпотеза означає передбачуване значення зі змінної функції.
4. Встановіть параметри гіпотези -
Встановіть параметр гіпотези, який може зменшити функцію втрат і може передбачити.
5. Мінімізуйте функцію втрат-
Мінімізація втрат за допомогою деякого алгоритму мінімізації втрат та використання його над набором даних, що може допомогти коригувати параметри гіпотези. Після того, як втрати будуть мінімізовані, їх можна використовувати для прогнозування.
Існує багато алгоритмів, які можна використовувати для зменшення втрат, таких як спуск градієнта.
6. Перевірка функції гіпотези -
Перевірте функцію гіпотези наскільки правильно вона прогнозує значення, протестуйте її на тестових даних.
Кроки до слідування архіву багатоваріантної регресії
1) Імпортуйте необхідні загальні бібліотеки, такі як numpy, pandas
2) Прочитайте набір даних за допомогою бібліотеки панд
3) Як ми вже обговорювали вище, нам потрібно нормалізувати дані для отримання кращих результатів. Чому нормалізація, оскільки кожна особливість має різний діапазон значень.
4) Створіть модель, яка може архівувати регресію, якщо ви використовуєте рівняння лінійної регресії
Y = mx + c
У якому x дається вхід, m - похила лінія, c - постійна, y - змінна вихід.
5) Тренуйте модель, використовуючи гіперпараметр. Зрозумійте, встановіть гіперпараметр відповідно до моделі. Такі як швидкість навчання, епохи, ітерації.
6) Як обговорювалося вище, як гіпотеза відіграє важливу роль в аналізі, перевіряє гіпотезу та вимірює функцію втрат / витрат.
7) Функція втрати / вартості допоможе нам оцінити, наскільки значення гіпотези є правдивим та точним.
8) Мінімізація функції втрат / витрат допоможе моделі покращити прогнозування.
9) Рівняння втрат можна визначити як суму різниці у квадраті між передбачуваним значенням і фактичним значенням, розділеною на подвійну величину набору даних.
10) Щоб звести до мінімуму функцію втрати / витрат, використовуйте градієнтний спад, він починається з випадкового значення і знаходить точку, в якій функція їх втрати є найменшою.
Дотримуючись вищесказаного, ми можемо реалізувати багатоваріантну регресію
Переваги багатоваріантної регресії
- Багатоваріантна методика дозволяє знайти зв’язок між змінними або ознаками
- Це допомагає знайти залежність між незалежними та залежними змінними.
Дис переваги багатоваріантної регресії
- Багатоваріантні прийоми - це трохи складний математичний розрахунок високого рівня
- Вихід моделі багатоваріантної регресії не є простим для інтерпретації, а іноді через те, що деякі втрати та помилки не однакові.
- Його не можна застосувати до невеликого набору даних, оскільки результати більш чіткі у великих наборах даних.
Висновок - багатоваріантна регресія
- Основна мета використання багатоваріантної регресії - це те, коли у вас є більше однієї змінної, і в такому випадку однолінійна регресія не працюватиме.
- В основному реальний світ має декілька змінних або особливостей, коли багато змінних / ознак входять у гру багатовимірна регресія.
Рекомендовані статті
Це керівництво по багатоваріантній регресії. Тут ми обговорюємо Вступ, приклади багатоваріантної регресії разом з перевагами та перевагами Dis. Ви також можете ознайомитися з іншими запропонованими нами статтями, щоб дізнатися більше -
- Формула регресії
- Курс наукових даних у Лондоні
- Оператори SAS
- Прийоми наукових даних
- Змінні в JavaScript
- Основні відмінності регресії від класифікації