Введение в многомерную регрессию
- Термин в многомерном означает модель с более чем одной переменной
- Многомерная регрессия является частью многомерной статистики.
- Многомерная регрессия - это метод, используемый для оценки модели одиночной регрессии, когда имеется более одной исходной переменной.
- В многомерной регрессии обычно используется алгоритм машинного обучения, который является алгоритмом контролируемого обучения.
Почему одна модель регрессии не будет работать?
- Как известно, регрессионный анализ в основном используется для изучения взаимосвязи между зависимой и независимой переменной.
- В реальном мире существует много ситуаций, когда многие независимые переменные влияют на другие переменные, для этого нам нужно перейти к другим вариантам, чем к одной регрессионной модели, которая может принимать только одну независимую переменную.
Что такое многомерная регрессия?
- Многофакторная регрессия помогает использовать для измерения угла более одной независимой переменной и более одной зависимой переменной. Он находит связь между переменными (линейно связаны).
- Он используется для прогнозирования поведения исходной переменной и ассоциации переменных-предикторов, а также того, как изменяются переменные-предикторы.
- Он может быть применен ко многим практическим областям, таким как политика, экономика, медицина, исследовательская деятельность и многие другие виды бизнеса.
- Многофакторная регрессия - это простое продолжение множественной регрессии.
- Множественная регрессия используется для прогнозирования и обмена значениями одной переменной на основе совокупного значения более чем одного значения переменных-предикторов.
- Сначала мы возьмем пример, чтобы понять использование многомерной регрессии, после чего мы будем искать решение этой проблемы.
Примеры многомерной регрессии
- Если компания электронной коммерции собрала данные своих клиентов, такие как возраст, история покупок клиента, пол и компания хотят найти связь между этими различными иждивенцами и независимыми переменными.
- Тренер тренажерного зала собрал данные своего клиента, которые приходят в его тренажерный зал и хотят наблюдать за некоторыми вещами клиента, которые связаны со здоровьем, привычками питания (какой продукт клиент потребляет каждую неделю), весом клиента. Это хочет найти связь между этими переменными.
Как вы видели в приведенных выше двух примерах, что в обеих ситуациях имеется более одной переменной, некоторые являются зависимыми, а некоторые независимыми, поэтому для анализа данных такого типа недостаточно одной регрессии.
Вот многомерная регрессия, которая входит в картину.
1. Выбор функций -
Выбор признаков играет наиболее важную роль в многомерной регрессии.
Поиск функции, которая необходима для определения, какая переменная зависит от этой функции.
2. Нормализующие функции -
Для лучшего анализа необходимо масштабировать функции, чтобы привести их в определенный диапазон. Мы также можем изменить значение каждой функции.
3. Выберите функцию потери и гипотеза -
Функция потерь вычисляет потери, когда гипотеза предсказывает неправильное значение.
И гипотеза означает прогнозируемое значение из переменной признака.
4. Установите параметры гипотезы -
Установите параметр гипотезы, который может уменьшить функцию потерь и может предсказать.
5. Минимизируйте функцию потери
Минимизация потерь с помощью некоторого алгоритма минимизации потерь и использования его над набором данных, который может помочь в настройке параметров гипотезы. Как только потеря сведена к минимуму, ее можно использовать для прогнозирования.
Существует множество алгоритмов, которые можно использовать для уменьшения потерь, таких как градиентный спуск.
6. Проверьте гипотезу функции -
Проверьте функцию гипотезы, насколько правильно она предсказывает значения, проверьте ее на тестовых данных.
Шаги, чтобы следовать архиву многовариантной регрессии
1) Импортируйте необходимые общие библиотеки, такие как numpy, pandas
2) Прочитайте набор данных, используя библиотеку панд
3) Как мы уже говорили выше, мы должны нормализовать данные для получения лучших результатов. Почему нормализация, потому что каждая функция имеет различный диапазон значений.
4) Создайте модель, которая может архивировать регрессию, если вы используете уравнение линейной регрессии
Y = mx + c
В котором x задан входной сигнал, m - наклонная линия, c - постоянная, y - выходная переменная.
5) Тренируйте модель, используя гиперпараметр. Понять гиперпараметр, установить его в соответствии с моделью. Такие как скорость обучения, эпохи, итерации.
6) Как обсуждалось выше, как гипотеза играет важную роль в анализе, проверяет гипотезу и измеряет функцию потерь / затрат.
7) Функция потерь / затрат поможет нам измерить, насколько ценность гипотезы верна и точна.
8) Функция минимизации потерь / затрат поможет модели улучшить прогноз.
9) Уравнение потерь может быть определено как сумма квадратов разности между прогнозируемым значением и фактическим значением, деленная на удвоенный размер набора данных.
10) Чтобы минимизировать функцию Lose / cost, используйте градиентный спуск, она начинается со случайного значения и находит точку, где их функция потерь наименьшая.
Следуя вышесказанному, мы можем реализовать многомерную регрессию
Преимущества многомерной регрессии
- Многомерный метод позволяет найти связь между переменными или признаками
- Это помогает найти корреляцию между независимыми и зависимыми переменными.
Dis Преимущества многомерной регрессии
- Многовариантные методы - это немного сложный математический расчет высокого уровня
- Вывод модели многомерной регрессии нелегко интерпретировать, а иногда потому, что некоторые потери и выходные данные ошибок не идентичны.
- Его нельзя применить к небольшому набору данных, потому что результаты более просты в больших наборах данных.
Заключение - многомерная регрессия
- Основная цель использования многомерной регрессии - когда доступно более одной переменной, и в этом случае одиночная линейная регрессия не будет работать.
- В основном реальный мир имеет несколько переменных или характеристик, когда в игру вступают несколько переменных / функций.
Рекомендуемые статьи
Это руководство по многомерной регрессии. Здесь мы обсуждаем Введение, Примеры многомерной регрессии, а также преимущества и недостатки. Вы также можете просмотреть наши другие предлагаемые статьи, чтобы узнать больше -
- Формула регрессии
- Курс Data Science в Лондоне
- Операторы SAS
- Методы Науки Данных
- Переменные в JavaScript
- Основные отличия регрессии от классификации