Johdanto polynomirepressioon

Regressio määritellään menetelmänä löytää riippumattomien ja riippuvien muuttujien välinen suhde tuloksen ennustamiseksi. Ensimmäistä polynomisen regression mallia käytti vuonna 1815 Gergonne. Sitä käytetään parhaiten sopivan linjan löytämiseen regressioviivalla tulosten ennustamiseksi. Regressiotekniikoita on monen tyyppisiä, polynominen regressio on yksi niistä. Ennen tämän ymmärtämistä on suositeltavaa tuntea lineaarinen regressio, jotta niiden väliset erot on helppo merkitä.

Miksi polynominen regressio?

  • Tämä on yksi regressiotekniikasta, jota ammattilaiset käyttävät tuloksen ennustamiseen. Se määritellään suhteeksi riippumattomien ja riippuvien muuttujien välillä, kun riippuvainen muuttuja liittyy riippumattomaan muuttujaan, jolla on n-aste. Se ei vaadi riippuvaisten ja riippumattomien muuttujien välistä suhdetta olevan lineaarista, joten jos viiva on käyrä, sillä voi olla mikä tahansa polynomitermi.
  • Tärkein ero lineaarisen ja polynomisen regression välillä on se, että lineaarinen regressio vaatii riippuvien ja riippumattomien muuttujien olevan lineaarisesti yhteydessä toisiinsa, vaikka tämä saattaa sopia paremmin linjaan, jos sisällytetään yhtälöön korkeampi aste riippumattomaan muuttuvaan termiin. Yhdennen asteen polynomisen regression yhtälö voidaan kirjoittaa seuraavasti:

Y = b0 + a1x + a2x 2 + a3x 3 +…. anx n

  • Jos lisäämme korkeampia asteita, kuten neliömäisiä, niin se muuttaa viivan käyräksi, joka sopii paremmin tietoihin. Yleensä sitä käytetään, kun tietojoukon pisteet ovat hajallaan ja lineaarinen malli ei pysty kuvaamaan tulosta selvästi. Meidän tulee aina pitää silmällä ylimääräisiä ja ylimääräisiä asennuksia ottaen huomioon nämä asteet yhtälöön.
  • On parempi harkita astetta, joka kulkee kaikkien tietopisteiden läpi, mutta joskus korkeamman asteen, kuten 10 tai 20, saavuttaminen voi kulkea kaikkien tietopisteiden läpi ja vähentää virhettä, mutta se myös vangitsee mallin ylenmääräisen datan kohinan ja se voidaan välttää lisäämällä lisää näytteitä harjoitustietojoukkoon. Joten on aina suositeltavaa valita optimaalinen aste mallin sopimiseksi.

Yhtälön asteen määrittämisessä käytetään kahta tekniikkaa:

  • Valinta eteenpäin: Se on menetelmä tutkinnon lisäämiseen, kunnes se on riittävän merkittävä mallin määrittelemiseen.
  • Taaksepäin valinta: Se on menetelmä asteen alentamiseksi, kunnes se on riittävän merkittävä mallin määrittelemiseen.

Menettely polynomisen regression soveltamiseksi

Löydä alla olevat vaiheet tai menettelytapa soveltaaksesi polynom regressiota mihin tahansa tietojoukkoon:

Vaihe 1: Tuo vastaava tietojoukko mille tahansa alustalle (R tai Python) ja asenna mallin soveltamiseksi tarvittavat paketit.

Vaihe 2: Jaa tietojoukko harjoitus- ja testausjoukkoihin, jotta voimme soveltaa algoritmia harjoitustietojoukkoon ja testata sitä testaustietojoukolla.

Vaihe 3: Käytä tutkivia datanalyysimenetelmiä tutkimaan tietojen taustaa, kuten keskiarvo, mediaani, tila, ensimmäinen kvartiili, toinen kvartiili jne.

Vaihe 4: Käytä lineaarista regressioalgoritmia tietojoukkoon ja tutkia mallia.

Vaihe 5: Käytä polynomisen regression algoritmia tietojoukkoon ja tutkia mallia vertaamaan tuloksia joko RMSE tai R-neliö lineaarisen regression ja polynomisen regression välillä.

Vaihe 6: Visualisoi ja ennusta sekä lineaarisen että polynomisen regression tulokset ja tunnista, mikä malli ennustaa tietojoukon paremmilla tuloksilla.

Polynominen regressiokäyttö

  • Sitä käytetään monissa kokeellisissa menettelyissä tuloksen tuottamiseksi tätä yhtälöä käyttämällä.
  • Se tarjoaa erinomaisen määritellyn suhteen riippumattomien ja riippuvien muuttujien välillä.
  • Sitä käytetään sedimenttien isotooppien tutkimiseen.
  • Sitä käytetään tutkimaan erilaisten sairauksien esiintymistä missä tahansa väestössä.
  • Sitä käytetään tutkimaan minkä tahansa synteesin syntymistä.

Polynomisen regression ominaisuudet

  • Se on eräänlainen epälineaarinen regressiomenetelmä, joka kertoo itsenäisen ja riippuvaisen muuttujan välisen suhteen, kun riippuvainen muuttuja liittyy n: nnen asteen riippumattomaan muuttujaan.
  • Parhaiten sopiva viiva päätetään polynomisen regressioyhtälön asteen perusteella.
  • Polariarvot vaikuttavat polynomisen regression perusteella johdettuun malliin, joten on aina parempi käsitellä poikkeavia ennen algoritmin soveltamista tietojoukkoon.
  • Polynomialfeature () -funktio muuttuu matriisin ominaisuudeksi yhtälön asteesta riippuen.
  • Käyrän luonnetta voidaan tutkia tai visualisoida käyttämällä yksinkertaista sirontakuvaa, joka antaa sinulle paremman kuvan muuttujien välisestä lineaarisuhteesta ja päättää sen perusteella.

johtopäätös

Polynomista regressiota käytetään monissa organisaatioissa, kun ne tunnistavat epälineaarisen suhteen riippumattomien ja riippuvien muuttujien välillä. Se on yksi vaikeista regressiotekniikoista verrattuna muihin regressiomenetelmiin, joten lähestymistavan ja algoritmin syventäminen auttaa sinua saavuttamaan parempia tuloksia.

Suositellut artikkelit

Tämä on polynomisen regression opas. Tässä keskustellaan polynomisen regression ominaisuuksista ja käytöstä. Voit myös käydä läpi muiden ehdotettujen artikkeleidemme saadaksesi lisätietoja -

  1. SVM-algoritmi
  2. Ytimen menetelmät
  3. LINEST Excel -toiminto
  4. Koneoppimisen algoritmit
  5. Lineaarinen regressio vs. logistinen regressio | Suurimmat erot

Luokka:

Suuri data