רגרסיה ליניארית פשוטה בתחום מדעי הנתונים

מדעי הנתונים הוא תחום עצום שהולך וגדל עם כל יום שעובר. כיום, חברות מובילות מחפשות מדעני נתונים מקצועיים בעלי ידע רב על התחום והמושגים הקשורים אליו. כדי לבצע ביצועים טובים בתחום זה, חשוב להיות בעל ידע מעמיק על כל האלגוריתמים של מדעי הנתונים. אחד האלגוריתמים הבסיסיים ביותר למדעי הנתונים הוא רגרסיה ליניארית פשוטה. כל מדען נתונים צריך לדעת איך להשתמש באלגוריתם הזה כדי לפתור בעיות ולהפיק תוצאות משמעותיות.

רגרסיה ליניארית פשוטה היא מתודולוגיה לקביעת הקשר בין משתני קלט ופלט. משתני קלט נחשבים למשתנים או מנבאים בלתי תלויים, ומשתני פלט הם משתנים או תגובות תלויות. ברגרסיה לינארית פשוטה, רק משתנה קלט אחד נחשב.

דוגמה בזמן אמת של רגרסיה ליניארית פשוטה

הבה נבחן מערך נתונים המורכב משני פרמטרים: מספר שעות העבודה וכמות העבודה שנעשתה. רגרסיה ליניארית פשוטה נועדה לנחש את כמות העבודה שנעשתה אם ניתנות שעות העבודה. נמשך קו רגרסיה, אשר יוצר שגיאה מינימלית. נוצרת גם משוואה ליניארית, אשר לאחר מכן ניתן להשתמש בה עבור כמעט כל מערך נתונים.

עקרונות המתארים את מטרת הרגרסיה הליניארית הפשוטה: 

רגרסיה ליניארית פשוטה משמשת כדי לחזות את הקשר בין המשתנים במערך נתונים ולהסיק מסקנות משמעותיות. רגרסיה ליניארית פשוטה משמשת בעיקר כדי לגזור את הקשר הסטטיסטי בין המשתנים, שאינו מדויק מספיק. ארבעה עקרונות בסיסיים מתארים את השימוש ברגרסיה ליניארית פשוטה. עקרונות אלה מפורטים להלן:

1. הקשר בין שני המשתנים נחשב ליניארי ותוסף: פונקציית קו ישר נקבעת עבור כל זוג משתנים תלויים ובלתי תלויים. השיפוע של קו זה שונה מערכי המשתנים הזמינים במערך הנתונים. למשתנים התלויים יש השפעה נוספת על ערכי המשתנים הבלתי תלויים.
2. השגיאות אינן תלויות סטטיסטית: עיקרון זה יכול להיחשב עבור מערך נתונים המכיל מידע הקשור לזמן ולסדרה. השגיאות הרצופות של מערך נתונים כזה אינן מתואמות והן בלתי תלויות סטטיסטית.
3. לשגיאות יש שונות קבועה (הומוסקדסטיות):  ניתן לשקול הומוסקדסטיות של השגיאות על סמך פרמטרים שונים. פרמטרים אלה כוללים זמן, תחזיות אחרות ומשתנים אחרים.
4. תקינות התפלגות השגיאות:  זהו עיקרון חשוב שכן הוא תומך בשלושת האחרים שהוזכרו לעיל. אם לא ניתן לקבוע קשר בין המשתנים במערך נתונים, או אם אחד מהעקרונות לעיל אינו מבוסס, אזי כל התחזיות והמסקנות שהפיק המודל אינן נכונות. לא ניתן להשתמש במסקנות אלו בהמשך הפרויקט מאחר ולא יתקבלו תוצאות אמיתיות אם נעשה שימוש בנתונים שגויים ומטעים.

היתרונות של רגרסיה ליניארית פשוטה

• מתודולוגיה זו קלה ביותר לשימוש, וניתן להשיג תוצאות ללא מאמץ.
• לשיטה זו יש פחות מורכבות באופן קיצוני מאלגוריתמים אחרים של מדעי הנתונים, בעיקר אם הקשר בין המשתנים התלויים והבלתי תלויים ידוע.
• התאמת יתר היא מצב שכיח המתרחש כאשר מתודולוגיה זו קולטת מידע חסר משמעות. כדי להתמודד עם בעיה זו, זמינה טכניקת הרגוליזציה, אשר מפחיתה את בעיית התאמה יתר על ידי הפחתת המורכבות.

חסרונות של רגרסיה ליניארית פשוטה

• למרות שניתן לבטל את בעיית התאמת יתר, אי אפשר להתעלם ממנה. השיטה יכולה לקחת בחשבון נתונים חסרי משמעות וגם לבטל מידע משמעותי. במקרה כזה, כל התחזיות הן מסקנות לגבי מערך נתונים מסוים שיהיו שגויים ולא ניתן להפיק תוצאות אפקטיביות.
• גם הבעיה של חריגות נתונים נפוצה מאוד. חריגים נחשבים לערכים שגויים שאינם תואמים את הנתונים המדויקים. כאשר ערכים כאלה נלקחים בחשבון, המודל כולו יפיק תוצאות מטעות שאינן מועילות.
• ברגרסיה ליניארית פשוטה, מערך הנתונים ביד נחשב כבעל נתונים בלתי תלויים. הנחה זו שגויה כי יכולה להיות תלות מסוימת בין המשתנים.

רגרסיה לינארית פשוטה היא טכניקה שימושית לקביעת היחסים של משתני קלט ופלט שונים במערך נתונים. ישנם מספר יישומים בזמן אמת של רגרסיה ליניארית פשוטה. אלגוריתם זה אינו דורש כוח חישוב גבוה וניתן ליישום בקלות. המשוואות והמסקנות המופקות יכולות לבנות הלאה והן פשוטות ביותר להבנה. עם זאת, כמה אנשי מקצוע מרגישים גם שרגרסיה ליניארית פשוטה היא לא המתודולוגיה הנכונה לשימוש עבור יישומים שונים, שכן יש הרבה הנחות שנעשות. גם הנחות אלו עשויות להתגלות כשגויות. לכן, יש צורך להשתמש בטכניקה זו בכל מקום שניתן ליישם אותה בצורה נכונה.