რა დაშვებებს აკეთებს ხაზოვანი რეგრესიის მანქანათმცოდნეობის ალგორითმი?
რა დაშვებებს აკეთებს ხაზოვანი რეგრესიის მანქანათმცოდნეობის ალგორითმი?

ვიდეო: რა დაშვებებს აკეთებს ხაზოვანი რეგრესიის მანქანათმცოდნეობის ალგორითმი?

ვიდეო: რა დაშვებებს აკეთებს ხაზოვანი რეგრესიის მანქანათმცოდნეობის ალგორითმი?
ვიდეო: Assumptions of Linear Regression | What are the assumptions for a linear regression model 2024, ნოემბერი
Anonim

ვარაუდები შემფასებლების შესახებ: დამოუკიდებელი ცვლადები იზომება შეცდომის გარეშე. დამოუკიდებელი ცვლადები ერთმანეთისგან წრფივად დამოუკიდებელია, ანუ იქ არის არ არის მულტიკოლინეარულობა მონაცემებში.

ამასთან დაკავშირებით, რა არის ხაზოვანი რეგრესიის ოთხი დაშვება?

Არიან, იმყოფებიან ოთხი ვარაუდი ასოცირდება ა ხაზოვანი რეგრესია მოდელი: წრფივობა: კავშირი X-სა და Y-ის საშუალოს შორის არის ხაზოვანი . ჰომოსედასტურობა: ნარჩენის ვარიაცია იგივეა X-ის ნებისმიერი მნიშვნელობისთვის. დამოუკიდებლობა: დაკვირვებები ერთმანეთისგან დამოუკიდებელია.

მეორეც, რა არის ხაზოვანი რეგრესიის ძირითადი დაშვებები? ხაზოვანი რეგრესიის დაშვებები

  • რეგრესიის მოდელი პარამეტრებში წრფივია.
  • ნარჩენების საშუალო არის ნული.
  • ნარჩენების ჰომოსკედასტიურობა ან თანაბარი დისპერსიულობა.
  • ნარჩენების ავტოკორელაცია არ არის.
  • X ცვლადები და ნარჩენები არაკორელირებულია.
  • X მნიშვნელობებში ცვალებადობა დადებითია.
  • რეგრესიის მოდელი სწორად არის მითითებული.
  • არ არის სრულყოფილი მულტიკოლინეარულობა.

აქედან, რა არის ხაზოვანი რეგრესიის დაშვებები ნარჩენებთან დაკავშირებით?

გაფანტული ნაკვეთი ნარჩენი ღირებულებები პროგნოზირებული მნიშვნელობების წინააღმდეგ არის კარგი გზა შესამოწმებლად ამისთვის ჰომოსკედასტურობა. არ უნდა იყოს მკაფიო ნიმუში განაწილებაში და თუ არსებობს კონკრეტული ნიმუში, მონაცემები ჰეტეროსკედასტიურია.

არის რეგრესია მანქანური სწავლის ფორმა?

ხაზოვანი რეგრესია არის მანქანათმცოდნეობა ალგორითმი, რომელიც ეფუძნება ზედამხედველობას სწავლა . იგი ასრულებს ა რეგრესია დავალება. რეგრესია დამოუკიდებელ ცვლადებზე დაყრდნობით აყალიბებს სამიზნე პროგნოზირების მნიშვნელობას. ხაზოვანი რეგრესია ასრულებს დავალებას განსაზღვროს დამოკიდებული ცვლადის მნიშვნელობა (y) მოცემული დამოუკიდებელი ცვლადის (x) საფუძველზე.

გირჩევთ: