Kakšne predpostavke postavlja algoritem strojnega učenja linearne regresije?
Kakšne predpostavke postavlja algoritem strojnega učenja linearne regresije?

Video: Kakšne predpostavke postavlja algoritem strojnega učenja linearne regresije?

Video: Kakšne predpostavke postavlja algoritem strojnega učenja linearne regresije?
Video: Изменения в форме налоговой накладной и расчёта корректировки! Что нужно знать 2024, November
Anonim

Predpostavke o ocenjevalcih: neodvisne spremenljivke se merijo brez napak. Neodvisne spremenljivke so linearno neodvisne ena od druge, tj je ni multikolinearnosti v podatkih.

Katere so v zvezi s tem štiri predpostavke linearne regresije?

obstajajo štiri predpostavke povezana z a linearna regresija model: Linearnost: Razmerje med X in povprečjem Y je linearno . Homoskedastičnost: Varianca ostanka je enaka za katero koli vrednost X. Neodvisnost: Opazovanja so neodvisna drug od drugega.

Drugič, katere so osnovne predpostavke linearne regresije? Predpostavke linearne regresije

  • Regresijski model je po parametrih linearen.
  • Srednja vrednost ostankov je nič.
  • Homoskedastičnost ostankov ali enaka variance.
  • Brez avtokorelacije ostankov.
  • X spremenljivke in ostanki niso korelirani.
  • Spremenljivost vrednosti X je pozitivna.
  • Regresijski model je pravilno določen.
  • Ni popolne multikolinearnosti.

Kakšne so predpostavke linearne regresije glede ostankov?

Razpršena ploskev preostanek vrednosti v primerjavi s predvidenimi vrednostmi je dober način za preverjanje za homoskedastičnost. V distribuciji ne bi smelo biti jasnega vzorca in če obstaja poseben vzorec, so podatki heteroskedastični.

Je regresija oblika strojnega učenja?

Linearna Regresija je strojno učenje algoritem, ki temelji na nadzorovanem učenje . Izvaja a regresija nalogo. Regresija modelira ciljno napovedno vrednost na podlagi neodvisnih spremenljivk. Linearna regresija izvede nalogo napovedovanja vrednosti odvisne spremenljivke (y) na podlagi dane neodvisne spremenljivke (x).

Priporočena: