Artificiell intelligens
Enkel linjär regression inom området datavetenskap
Datavetenskap är ett stort område som växer för varje dag som går. Idag söker toppföretag efter professionella datavetare som besitter stark kunskap om området och dess relaterade koncept. För att prestera bra inom detta område är det viktigt att ha goda kunskaper om alla datavetenskapliga algoritmer. En av de mest grundläggande datavetenskapliga algoritmerna är en enkel linjär regression. Varje dataforskare bör veta hur man använder denna algoritm för att lösa problem och få meningsfulla resultat.
Enkel linjär regression är en metod för att bestämma sambandet mellan ingångs- och utdatavariabler. Indatavariabler anses vara oberoende variabler eller prediktorer, och utdatavariabler är beroende variabler eller svar. I enkel linjär regression beaktas endast en indatavariabel.
Ett realtidsexempel på enkel linjär regression
Låt oss betrakta en datamängd som består av två parametrar: antalet arbetade timmar och mängden utfört arbete. Enkel linjär regression syftar till att gissa hur mycket arbete som utförs om arbetstiden är angiven. En regressionslinje dras, vilket genererar ett minimalt fel. En linjär ekvation bildas också, som sedan kan användas för nästan vilken datamängd som helst.
Principer som skildrar den enkla linjära regressionens syfte:
Enkel linjär regression används för att prognostisera förhållandet mellan variablerna i en datamängd och härleda meningsfulla slutsatser. Enkel linjär regression används främst för att härleda det statistiska sambandet mellan variablerna, vilket inte är tillräckligt exakt. Fyra grundläggande principer skildrar användningen av enkel linjär regression. Dessa principer listas nedan:
- Relationen mellan de två variablerna anses vara linjär och additiv: En rätlinjefunktion upprättas för varje par av beroende och oberoende variabler. Lutningen på denna linje skiljer sig från värdena för variablerna som finns tillgängliga i datamängden. De beroende variablerna har en additiv effekt på värdena på oberoende variabler.
- Felen är statistiskt oberoende: Denna princip kan övervägas för en datamängd som innehåller information relaterad till tid och serier. De på varandra följande felen i en sådan datamängd korrelerar inte och är statistiskt oberoende.
- Fel har konstant varians (homoskedasticitet): Homoscedasticitet av felen kan övervägas baserat på olika parametrar. Dessa parametrar inkluderar tid, andra prognoser och andra variabler.
- Normalitet för felfördelning: Detta är en viktig princip eftersom den stöder de andra tre som nämns ovan. Om inget samband mellan variablerna i en datamängd kan fastställas, eller om någon av ovanstående principer inte är etablerade, är alla förutsägelser och slutsatser som produceras av modellen felaktiga. Dessa slutsatser kan inte användas vidare i projektet eftersom inga verkliga resultat kommer att erhållas om felaktiga och missvisande data används.
Fördelar med enkel linjär regression
- Denna metod är extremt enkel att använda och resultat kan erhållas utan ansträngning.
- Denna metod har extremt mindre komplexitet än andra datavetenskapliga algoritmer, främst om förhållandet mellan de beroende och oberoende variablerna är känt.
- Överanpassning är ett vanligt tillstånd som uppstår när denna metod tar in meningslös information. För att hantera detta problem finns regulariseringstekniken tillgänglig, som minskar problemet med överanpassning genom att minska komplexiteten.
Nackdelar med enkel linjär regression
- Även om problemet med överanpassning kan elimineras, kan det inte ignoreras. Metoden kan ta hänsyn till meningslös data och även eliminera meningsfull information. I ett sådant fall är alla prognoser slutsatser om en viss datamängd som kommer att vara felaktig och effektiva resultat kan inte genereras.
- Problemet med dataavvikelser är också mycket vanligt. Outliers anses vara felaktiga värden som inte stämmer överens med de exakta uppgifterna. När sådana värden beaktas kommer hela modellen att ge missvisande resultat som inte är till någon nytta.
- Vid enkel linjär regression anses datauppsättningen ha oberoende data. Detta antagande är fel eftersom det kan finnas visst beroende mellan variablerna.
Enkel linjär regression är en användbar teknik för att bestämma sambanden mellan olika in- och utdatavariabler i en datamängd. Det finns flera realtidsapplikationer av enkel linjär regression. Denna algoritm kräver inte hög beräkningskraft och kan enkelt implementeras. De ekvationer och slutsatser som dras kan bygga vidare och är extremt enkla att förstå. Men vissa yrkesmän anser också att enkel linjär regression inte är rätt metod att användas för olika tillämpningar eftersom det finns många antaganden som görs. Dessa antaganden kan också bevisas felaktiga. Därför är det nödvändigt att använda denna teknik där den kan tillämpas korrekt.
