Regresi Linear Sederhana

Inferensi, estimasi, dan pengambilan keputusan dari data

Regresi linear sederhana adalah jembatan dari statistik ke machine learning: model paling sederhana yang memprediksi. Anda berasumsi hubungan antara masukan x dan keluaran y adalah garis plus noise acak, dan Anda temukan garis ter-fit terbaik.

β₀ adalah intersep, β₁ kemiringan, dan ε noise. "Ter-fit terbaik" berarti garis yang meminimalkan total residual kuadrat (celah vertikal antara titik dan garis), metode ordinary least squares (OLS).

Seret kemiringan dan intersep di gambar dan saksikan jumlah galat kuadrat (SSE) berubah. Garis OLS adalah satu-satunya yang mendorong total panjang kuadrat tongkat residual oranye ke minimumnya.

Di mana ini berlaku dalam MLRegresi linear adalah baseline yang harus dikalahkan setiap proyek ML sebelum meraih sesuatu yang lebih mewah. Objektif galat-kuadratnya adalah loss regresi (MSE) yang akan Anda minimalkan lagi dan lagi, dan (seperti yang Anda lihat di MLE) persis maksimum likelihood di bawah noise Gaussian. Pahami garis ini dan Anda pahami kerangka setiap model terbimbing.
▶ Regresi Linear Sederhana
← Uji Non-parametrikRegresi Linear Berganda →