Kokias prielaidas daro tiesinės regresijos mašininio mokymosi algoritmas?
Kokias prielaidas daro tiesinės regresijos mašininio mokymosi algoritmas?

Video: Kokias prielaidas daro tiesinės regresijos mašininio mokymosi algoritmas?

Video: Kokias prielaidas daro tiesinės regresijos mašininio mokymosi algoritmas?
Video: Assumptions of Linear Regression | What are the assumptions for a linear regression model 2024, Gegužė
Anonim

Prielaidos apie įverčius: nepriklausomi kintamieji matuojami be klaidų. Nepriklausomi kintamieji yra tiesiškai nepriklausomi vienas nuo kito, ty ten yra nėra duomenų daugiakolineariškumo.

Kokios yra keturios tiesinės regresijos prielaidos šiuo atžvilgiu?

Yra keturios prielaidos susijęs su a tiesinė regresija modelis: Tiesiškumas: Ryšys tarp X ir Y vidurkio yra linijinis . Homoscedastiškumas: likučio dispersija yra vienoda bet kuriai X vertei. Nepriklausomybė: Stebėjimai nepriklauso vienas nuo kito.

Antra, kokios yra pagrindinės tiesinės regresijos prielaidos? Tiesinės regresijos prielaidos

  • Regresijos modelis yra tiesinis pagal parametrus.
  • Likučių vidurkis lygus nuliui.
  • Likučių homocedastiškumas arba lygi dispersija.
  • Nėra likučių autokoreliacijos.
  • X kintamieji ir likučiai nėra koreliuojami.
  • X reikšmių kintamumas yra teigiamas.
  • Regresijos modelis nurodytas teisingai.
  • Nėra tobulo daugiakolineariškumo.

Kokios yra tiesinės regresijos likučių atžvilgiu prielaidos?

Sklaidos brėžinys likutinis vertės ir numatomos vertės yra geras būdas patikrinti dėl homoskedastiškumas. Pasiskirstyme neturėtų būti aiškaus modelio, o jei yra konkretus modelis, duomenys yra heteroskedastiniai.

Ar regresija yra mašininio mokymosi forma?

Linijinis Regresija yra mašininis mokymasis algoritmas, pagrįstas prižiūrimu mokymasis . Jis atlieka a regresija užduotis. Regresija modeliuoja tikslinę prognozės vertę, pagrįstą nepriklausomais kintamaisiais. Linijinis regresija atlieka užduotį numatyti priklausomo kintamojo reikšmę (y), remiantis duotu nepriklausomu kintamuoju (x).

Rekomenduojamas: