Aké predpoklady robí algoritmus strojového učenia lineárnej regresie?
Aké predpoklady robí algoritmus strojového učenia lineárnej regresie?

Video: Aké predpoklady robí algoritmus strojového učenia lineárnej regresie?

Video: Aké predpoklady robí algoritmus strojového učenia lineárnej regresie?
Video: Nebuďte ľahostajní, ale bojujme... 2024, Smieť
Anonim

Predpoklady o odhadoch: Nezávislé premenné sa merajú bez chyby. Nezávislé premenné sú na sebe lineárne nezávislé, t.j je žiadna multikolinearita v údajoch.

Aké sú v tomto ohľade štyri predpoklady lineárnej regresie?

Existujú štyri predpoklady spojené s a lineárna regresia model: Linearita: Vzťah medzi X a strednou hodnotou Y je lineárne . Homoscedasticita: Rozptyl rezidua je rovnaký pre akúkoľvek hodnotu X. Nezávislosť: Pozorovania sú na sebe nezávislé.

Po druhé, aké sú základné predpoklady lineárnej regresie? Predpoklady lineárnej regresie

  • Regresný model je lineárny v parametroch.
  • Priemer zvyškov je nula.
  • Homoscedasticita zvyškov alebo rovnaký rozptyl.
  • Žiadna autokorelácia zvyškov.
  • X premenné a rezíduá nie sú korelované.
  • Variabilita hodnôt X je pozitívna.
  • Regresný model je správne špecifikovaný.
  • Žiadna dokonalá multikolinearita.

Aké sú predpoklady lineárnej regresie v súvislosti s rezíduami?

Bodový graf zvyškový hodnoty oproti predpokladaným hodnotám je dobrý spôsob kontroly pre homoskedasticita. V distribúcii by nemal byť jasný vzor a ak existuje špecifický vzor, údaje sú heteroskedastické.

Je regresia formou strojového učenia?

Lineárne Regresia je a strojové učenie algoritmus založený na kontrolovanom učenie . Vykonáva a regresia úloha. Regresia modeluje cieľovú predikčnú hodnotu založenú na nezávislých premenných. Lineárne regresia vykonáva úlohu predpovedať hodnotu závisle premennej (y) na základe danej nezávislej premennej (x).

Odporúča: