Regresia liniară simplă în domeniul științei datelor

Știința datelor este un domeniu vast care crește cu fiecare zi. Astăzi, companiile de top caută profesioniști în știința datelor care posedă cunoștințe solide despre domeniu și conceptele sale asociate. Pentru a performa bine în acest domeniu, este important să aveți cunoștințe solide despre toate algoritmii științei datelor. Unul dintre cei mai bazici algoritmi ai științei datelor este regresia liniară simplă. Fiecare specialist în știința datelor ar trebui să știe cum să utilizeze acest algoritm pentru a rezolva probleme și a obține rezultate semnificative.

Regresia liniară simplă este o metodologie de determinare a relației dintre variabilele de intrare și ieșire. Variabilele de intrare sunt considerate variabile independente sau predictor, iar variabilele de ieșire sunt considerate variabile dependente sau răspunsuri. În regresia liniară simplă, se consideră doar o variabilă de intrare.

Un exemplu în timp real al regresiei liniare simple

Să considerăm un set de date care conține două parametri: numărul de ore lucrate și cantitatea de muncă efectuată. Regresia liniară simplă își propune să ghicească cantitatea de muncă efectuată dacă se cunosc orele lucrate. Se desenează o linie de regresie, care generează o eroare minimă. Se formează, de asemenea, o ecuație liniară, care poate fi utilizată pentru orice set de date.

Principiile care descriu scopul regresiei liniare simple:

Regresia liniară simplă este utilizată pentru a prognoza relația dintre variabilele dintr-un set de date și a obține concluzii semnificative. Regresia liniară simplă este utilizată în principal pentru a deriva relația statistică dintre variabile, care nu este suficient de precisă. Patru principii de bază descriu utilizarea regresiei liniare simple. Aceste principii sunt enumerate mai jos:

1. Relația dintre cele două variabile este considerată liniară și aditivă: O funcție liniară este stabilită pentru fiecare pereche de variabile dependente și independente. Panta acestei linii este diferită de valorile variabilelor disponibile în setul de date. Variabilele dependente au un efect aditiv asupra valorilor variabilelor independente.
2. Eradele sunt statistic independente: Acest principiu poate fi considerat pentru un set de date care conține informații legate de timp și serie. Eradele consecutive ale unui astfel de set de date nu se corelează și sunt statistic independente.
3. Eradele au o varianță constantă (homoscedasticitate): Homoscedasticitatea eradelor poate fi considerată pe baza unor parametri. Acești parametri includ timpul, alte previziuni și alte variabile.
4. Distribuția normală a eradelor: Acesta este un principiu important, deoarece susține celelalte trei menționate mai sus. Dacă nu se poate stabili o relație între variabilele dintr-un set de date sau dacă oricare dintre principiile de mai sus nu este stabilită, atunci toate previziunile și concluziile produse de model sunt incorecte. Aceste concluzii nu pot fi utilizate în continuare în proiect, deoarece nu se vor obține rezultate reale dacă se utilizează date greșite și înșelătoare.

Avantajele regresiei liniare simple

• Această metodologie este extrem de ușor de utilizat, iar rezultatele pot fi obținute cu ușurință.
• Această metodă are o complexitate extrem de scăzută în comparație cu alte algoritmi ai științei datelor, în special dacă relația dintre variabilele dependente și independente este cunoscută.
• Supraajustarea este o condiție comună care apare atunci când această metodologie preia informații lipsite de sens. Pentru a face față acestei probleme, există tehnica de regularizare, care reduce problema supraajustării prin reducerea complexității.

Dezavantajele regresiei liniare simple

• Deși problema supraajustării poate fi eliminată, nu poate fi ignorată. Metoda poate lua în considerare informații lipsite de sens și, de asemenea, poate elimina informații semnificative. În acest caz, toate previziunile și concluziile despre un anumit set de date vor fi incorecte și nu vor genera rezultate eficiente.
• Problema datelor outlier este, de asemenea, foarte comună. Outlier-urile sunt considerate valori greșite care nu se potrivesc cu datele exacte. Atunci când se iau în considerare astfel de valori, întregul model va produce rezultate înșelătoare care nu sunt de niciun folos.
• În regresia liniară simplă, setul de date utilizat se consideră a avea date independente. Această presupunere este greșită, deoarece pot exista unele dependențe între variabile.

Regresia liniară simplă este o tehnică utilă pentru a determina relațiile dintre variabilele de intrare și ieșire dintr-un set de date. Există numeroase aplicații în timp real ale regresiei liniare simple. Acest algoritm nu necesită o putere de calcul ridicată și poate fi implementat cu ușurință. Ecuțiile și concluziile derivate pot fi utilizate în continuare și sunt extrem de simple de înțeles. Cu toate acestea, unii profesioniști consideră că regresia liniară simplă nu este metodologia potrivită pentru diverse aplicații, deoarece se fac multe presupuneri. Aceste presupuneri pot fi demonstrate ca fiind greșite. Prin urmare, este necesar să se utilizeze această tehnică acolo unde poate fi aplicată corect.