رگرسیون خطی چیست؟

رگرسیون خطی یکی از راه های انجام تجزیه و تحلیل پیش بینی است. از آن برای بررسی برآورد رگرسیون استفاده می شود.

360+ دوره آنلاین |50+ پروژه |1500+ ساعت |گواهینامه های قابل تأیید |Access Lifetime 4. 7 (84،215 رتبه بندی)

• برای پیش بینی نتیجه از مجموعه متغیرهای پیش بینی کننده
• کدام متغیرهای پیش بینی کننده حداکثر تأثیر در متغیر نتیجه دارند؟

برآوردهای رگرسیون رابطه بین یک متغیر وابسته و یک یا چند متغیر مستقل را توضیح می دهد. همین مورد در معادله زیر نشان داده شده است.

Hadoop ، علوم داده ، آمار و دیگران

فرمول رگرسیون خطی:

• X: نمره متغیر مستقل
• م: ضریب رگرسیون
• ج: ثابت
• X: متغیر مستقل

نام های متغیر ممکن است متفاوت باشند. متغیر وابسته به رگرسیون را می توان به عنوان متغیر نتیجه یا متغیر معیار یا متغیر درون زا خوانده کرد. متغیر مستقل را می توان متغیر اگزوژن نیز نامید.

چرا از رگرسیون خطی استفاده می کنیم؟

از رگرسیون خطی برای انجام تجزیه و تحلیل رگرسیون استفاده می شود. در زیر کاربردهای تحلیل رگرسیون آورده شده است.

• به تعیین قدرت پیش بینی کننده ها کمک کنید: این تکنیک در فروش و بازاریابی استفاده می شود. تجزیه و تحلیل پیش بینی کننده به درک رابطه بین متغیر پیش بینی کننده و نتیجه (یعنی دوز و اثر) کمک می کند.
• پیش بینی اثر از طریق پیش بینی: تغییر در متغیر وابسته باعث ایجاد تفاوت در یک متغیر مستقل خواهد شد. به عنوان مثال ، اگر پول بیشتری را برای بازاریابی یک محصول خرج می کنید ، می تواند بر افزایش یا کاهش فروش تأثیر بگذارد.
• تجزیه و تحلیل روند / پیش بینی: از تجزیه و تحلیل رگرسیون برای پیش بینی روندهای آینده به ویژه در بازار سهم که در آن نوسانات و تورم در قیمت ها وجود دارد استفاده می شود.

انواع رگرسیون خطی

در زیر 5 نوع رگرسیون خطی وجود دارد:

1. رگرسیون خطی ساده

رگرسیون ساده دارای یک متغیر وابسته (فاصله یا نسبت) ، یک متغیر مستقل (فاصله یا نسبت یا دوگانگی) است. مثال می تواند اندازه گیری قد کودک هر سال از رشد باشد. رشد معمول 3 اینچ است. بسیاری از چنین نمونه های دنیای واقعی را می توان تحت رگرسیون خطی ساده طبقه بندی کرد.

2. رگرسیون خطی چندگانه

رگرسیون چندگانه هنگامی استفاده می شود که ما دو متغیر مستقل و یک متغیر وابسته داریم. ما می توانیم تعیین کنیم که متغیرهای مستقل بر متغیر وابسته چه تاثیری دارند.

در رگرسیون چندگانه ، می توان تصور کرد که x یک سری متغیرهای مستقل (x1 ، x2 ...) و y است که یک متغیر وابسته باشد. ما همچنین B به عنوان شیب متغیر رگرسیون داریم. در زیر معادله ای وجود دارد که نشان دهنده رابطه بین x و y است.

نمونه ای که می تواند در رگرسیون چندگانه طبقه بندی شود ، محاسبه فشار خون است که در آن متغیرهای مستقل می توانند قد ، وزن و میزان ورزش باشند. انتخاب متغیرها نیز هنگام انجام تجزیه و تحلیل رگرسیون چندگانه مهم است. ما باید درک کنیم که متغیرهای مهم و متغیرهای بی اهمیت قبل از ایجاد یک مدل است.

3. رگرسیون لجستیک

رگرسیون لجستیک زمانی انجام می شود که یک متغیر وابسته و دو متغیر مستقل وجود داشته باشد. تفاوت بین رگرسیون چندگانه و لجستیک در این است که متغیر هدف گسسته است (باینری یا یک مقدار معمولی). مشکل رگرسیون خطی این است که مقدار متغیر فقط به دو نتیجه ممکن ثابت می شود. از طرف دیگر ، رگرسیون لجستیک می تواند نمره احتمال را برگرداند که منعکس کننده وقوع یک رویداد خاص باشد.

رگرسیون لجستیک در چندین مورد مختلف مانند تشخیص ایمیل های هرزنامه ، پیش بینی مبلغ وام مشتری ، چه شخصی محصول خاصی را خریداری کند یا خیر ، استفاده می شود. رگرسیون لجستیک در تعیین احتمال وقوع یک رویداد خوب است. رگرسیون لجستیک در چندین الگوریتم یادگیری ماشین استفاده می شود.

4- رگرسیون نظم

رگرسیون معمولی بر روی یک متغیر دوگانگی وابسته و یک متغیر مستقل انجام می شود که می تواند نظم یا اسمی باشد. رگرسیون معمولی را می توان با استفاده از مدل خطی تعمیم یافته (GLM) انجام داد. در اصطلاحات یادگیری ماشین ، به آن یک تحلیل رتبه بندی نیز گفته می شود.

در بازاریابی ، از رگرسیون معمولی برای پیش بینی اینکه آیا خرید محصول می تواند منجر به مصرف کننده شود ، می تواند یک محصول مرتبط را خریداری کند. به عنوان مثال ، اگر یک مصرف کننده پیتزا خریداری کند ، چگونه او به همراه آن می تواند نوشابه را سفارش دهد. بیشتر با توجه به مقدار یک نوشابه. عوامل مختلفی بر ترتیب نوشابه مانند اندازه پیتزا سفارش داده شده و مواد غذایی تعریف شده به همراه سفارش تأثیر می گذارد. به یاد داشته باشید ، بین قیمت نوشابه ها به همراه کمیت تفاوت وجود دارد.

5- رگرسیون چندمجمی

رگرسیون چندمجمی بر روی یک متغیر وابسته اسمی و یک متغیر مستقل انجام می شود که نسبت ، فاصله یا دوگانگی است.

نمونه ای از رگرسیون چندمجمی می تواند ترجیحات شغلی در بین دانش آموزانی باشد که به شغل و آموزش والدین وابسته هستند.

اهمیت تحلیل رگرسیون

در زیر اهمیت ذکر شده است:

• تجزیه و تحلیل رگرسیون در درک نقاط مختلف داده و رابطه بین آنها کمک می کند. در مدل های تجاری قابل توجه است.
• تجزیه و تحلیل رگرسیون همچنین برای پیش بینی و پیش بینی استفاده می شود.
• درک داده ها و رابطه بین آنها به مشاغل کمک می کند تا روندها یا الگوهای خاصی را رشد و تجزیه و تحلیل کنند. این می تواند بینش جدیدی را برای مشاغل فراهم کند و با ارزش است.
• ضمن ترسیم نقاط داده ، تجزیه و تحلیل رگرسیون به درک خرابی های یک شرکت و اصلاح آنها برای موفقیت با جلوگیری از اشتباهات کمک می کند. این نوع تجزیه و تحلیل با راه اندازی محصول جدید به بازار و تعیین موفقیت آن محصول کمک می کند.
• تجزیه و تحلیل رگرسیون همچنین به شرکت کمک می کند تا حداکثر کارآیی را ارائه داده و فرآیندهای خود را اصلاح کند.

مقالات توصیه شده

این راهنمایی برای رگرسیون خطی چیست؟در اینجا ما در مورد نحوه استفاده از رگرسیون خطی ، 5 نوع برتر و اهمیت در درک جزئیات بحث می کنیم. همچنین می توانید برای کسب اطلاعات بیشتر از طریق سایر مقالات مرتبط ما بروید -

آموزش یادگیری ماشین (20 دوره ، 29+ پروژه) 19 دوره آنلاین |29 پروژه دستی |178+ ساعت |گواهی قابل تأیید تکمیل 4. 7