Uitleg
Lineaire regressie is het fundamenteelste machine learning-algoritme. Het zoekt naar best-fit rechte lijn (in 1D) of hyperplane (in hogere dimensies) door data om continue waarden te voorspellen.
Het model fit y = mx + b (of in meerdere dimensies: y = w1*x1 + w2*x2 + ... + wn*xn + b). Gewichten worden gevonden door least squares: minimaliseer som van kwadratische fouten. Lineaire regressie heeft analytische oplossing (geen iteratie nodig) via normale vergelijking.
Linaire regressie werkt goed wanneer relatie tussen inputs en output werkelijk lineair is. Voor niet-lineaire relaties kan men polynomiale regressie (hogere machten) of andere non-lineaire algoritmen gebruiken.
⚡ Voorbeelden
- •Huizenprijzen voorspellen op basis van vierkante meters: lijn fit door data-punten
- •Temperatuur voorspellen op basis van CO2-concentratie: lineaire trend
- •Verkoopprognose gebaseerd op reclame-budget: lineaire relatie
Trefwoorden
best-fit-lijnleast-squaresanalytische-oplossingfundamenteel