Какие предположения делает алгоритм машинного обучения линейной регрессии?
Какие предположения делает алгоритм машинного обучения линейной регрессии?

Видео: Какие предположения делает алгоритм машинного обучения линейной регрессии?

Видео: Какие предположения делает алгоритм машинного обучения линейной регрессии?
Видео: Линейная регрессия в Python за 13 МИН для чайников [#Машинное Обучения от 16 летнего Школьника] 2024, Ноябрь
Anonim

Предположения об оценщиках: независимые переменные измеряются без ошибок. Независимые переменные линейно независимы друг от друга, т.е. является нет мультиколлинеарности данных.

В связи с этим, каковы четыре допущения линейной регрессии?

Есть четыре предположения связанный с линейная регрессия модель: Линейность: отношение между X и средним значением Y равно линейный . Гомоскедастичность: дисперсия остатка одинакова для любого значения X. Независимость: наблюдения независимы друг от друга.

Во-вторых, каковы основные предположения линейной регрессии? Предположения линейной регрессии

  • Модель регрессии линейна по параметрам.
  • Среднее значение остатков равно нулю.
  • Гомоскедастичность остатков или равная дисперсия.
  • Нет автокорреляции остатков.
  • Переменные X и остатки не коррелированы.
  • Вариабельность значений X положительна.
  • Модель регрессии указана правильно.
  • Нет идеальной мультиколлинеарности.

Из этого, каковы предположения линейной регрессии в отношении остатков?

Диаграмма рассеяния остаточный значения против прогнозируемых значений - хороший способ проверить для гомоскедастичность. В распределении не должно быть четкой закономерности, а если она есть, данные гетероскедастичны.

Регрессия - это форма машинного обучения?

Линейный Регресс это машинное обучение алгоритм на основе контролируемых обучение . Он выполняет регресс задача. Регресс моделирует целевое значение прогноза на основе независимых переменных. Линейный регресс выполняет задачу прогнозирования значения зависимой переменной (y) на основе данной независимой переменной (x).

Рекомендуемые: