Інтерактивна симуляція алгоритмів регресії для прогнозування числових значень
y = ax + b - пряма лінія
y = ax² + bx + c - крива
З регуляризацією L2
З регуляризацією L1
Лінійна регресія знаходить пряму лінію, яка найкраще описує зв'язок між незалежною та залежною змінними. Алгоритм мінімізує суму квадратів відхилень.
Поліноміальна регресія використовує поліноми вищого степеня для моделювання нелінійних зв'язків. Це дозволяє краще підігнати складні патерни в даних.
Ridge та Lasso регресія додають штрафні члени для запобігання перенавчання. Ridge використовує L2 регуляризацію, а Lasso - L1 регуляризацію.
R² показує частку дисперсії, пояснену моделлю. MSE та MAE вимірюють помилки прогнозування. Менші значення означають кращу якість моделі.
Регресія - це задача машинного навчання, де алгоритм прогнозує числові значення на основі вхідних ознак. Це один з основних типів задач навчання з учителем.
Лінійну регресію використовують, коли зв'язок між змінними приблизно лінійний. Поліноміальну - коли зв'язок нелінійний або складний. Важливо уникати перенавчання.
Регуляризація додає штрафні члени до функції втрат для запобігання перенавчання. Ridge (L2) зменшує коефіцієнти, а Lasso (L1) може обнуляти деякі коефіцієнти.
R² показує частку дисперсії залежної змінної, пояснену моделлю. Значення від 0 до 1, де 1 означає ідеальну модель. R² = 0.8 означає, що модель пояснює 80% варіації.
Перенавчання виникає, коли модель занадто складна і запам'ятовує шум у навчальних даних. Це призводить до високої точності на навчальних даних, але поганої на тестових.