Проста лінійна регресія в галузі науки про дані

Наука про дані – це величезна галузь, яка зростає з кожним днем. Сьогодні провідні компанії шукають професійних вчених-даних, які володіють глибокими знаннями про галузь та її пов’язані концепції. Для успішної роботи в цій галузі важливо мати солідні знання про всі алгоритми науки про дані. Одним з найосновніших алгоритмів науки про дані є проста лінійна регресія. Кожен вчений-даних повинен знати, як використовувати цей алгоритм для вирішення проблем та отримання значимих результатів.

Проста лінійна регресія – це метод визначення відносин між вхідними та вихідними змінними. Вхідні змінні вважаються незалежними змінними або передбачувачами, а вихідні змінні – залежними змінними або реакціями. У простій лінійній регресії розглядається тільки одна вхідна змінна.

Фактичний приклад простої лінійної регресії

Розглянемо набір даних, який складається з двох параметрів: кількості відпрацьованих годин та обсягу виконаної роботи. Проста лінійна регресія спрямована на передбачення обсягу виконаної роботи, якщо відомо кількість відпрацьованих годин. Будується регресійна лінія, яка генерує мінімальну похибку. Також утворюється лінійне рівняння, яке можна використовувати для будь-якого набору даних.

Принципи, які зображують мету простої лінійної регресії:

Проста лінійна регресія використовується для прогнозування відносин між змінними в наборі даних та отримання значимих висновків. Проста лінійна регресія в основному використовується для визначення статистичних відносин між змінними, які не є достатньо точними. Чотири основні принципи зображують використання простої лінійної регресії. Ці принципи перелічені нижче:

1. Відносини між двома змінними вважаються лінійними та адитивними: Установлюється функція прямої лінії для кожної пари залежної та незалежної змінної. Крутість цієї лінії відрізняється від значень змінних у наборі даних. Залежні змінні мають адитивний вплив на значення незалежних змінних.
2. Похибки є статистично незалежними: Цей принцип можна розглядати для набору даних, який містить інформацію, пов’язану з часом та серією. Послідовні похибки такого набору даних не корелюють та є статистично незалежними.
3. Похибки мають сталий дисперсій (гомоскедастичність): Гомоскедастичність похибок можна розглядати на основі різних параметрів. Ці параметри включають час, інші прогнози та інші змінні.
4. Нормальність розподілу похибок: Це важливий принцип, оскільки він підтримує інші три згадані вище. Якщо не можна встановити відносини між змінними в наборі даних або якщо будь-який з вище згаданих принципів не встановлений, то всі прогнози та висновки, отримані моделлю, є неправильними. Ці висновки не можуть бути використані далі в проекті, оскільки не буде отримано реальних результатів, якщо використовується неправильна та вводить в оману інформація.

Переваги простої лінійної регресії

• Цей метод дуже легко використовувати, і результати можна отримати без зусиль.
• Цей метод має значно меншу складність порівняно з іншими алгоритмами науки про дані, особливо якщо відносини між залежними та незалежними змінними відомі.
• Перефітування – це поширена проблема, яка виникає, коли цей метод приймає безглузду інформацію. Для вирішення цієї проблеми доступний метод регуляризації, який зменшує проблему перефітування, зменшуючи складність.

Недоліки простої лінійної регресії

• Хоча проблему перефітування можна усунути, її не можна ігнорувати. Метод може приймати безглузду інформацію та виключати значиму інформацію. У такому випадку всі прогнози та висновки щодо певного набору даних будуть неправильними та не дадуть реальних результатів.
• Проблема даних-відхилень також дуже поширена. Відхилень вважаються неправильними значеннями, які не відповідають точним даним. Коли такі значення приймаються до уваги, вся модель буде давати вводять в оману результати, які не мають значення.
• У простій лінійній регресії припускається, що набір даних містить незалежні дані. Це припущення є неправильним, оскільки між змінними може бути певна залежність.

Проста лінійна регресія – це корисна техніка для визначення відносин між різними вхідними та вихідними змінними в наборі даних. Є кілька реальних застосувань простої лінійної регресії. Цей алгоритм не вимагає великої обчислювальної потужності та може бути легко реалізований. Рівняння та висновки, отримані з нього, можуть бути використані далі та дуже легко зрозумілі. Однак деякі фахівці вважають, що проста лінійна регресія не є правильною методологією для використання в різних застосуваннях, оскільки існує багато припущень, які робляться. Ці припущення можуть бути спростовані. Тому необхідно використовувати цю техніку тільки там, де вона може бути правильно застосована.