Hvilke forutsetninger gjør lineær regresjonsmaskinlæringsalgoritme?
Hvilke forutsetninger gjør lineær regresjonsmaskinlæringsalgoritme?

Video: Hvilke forutsetninger gjør lineær regresjonsmaskinlæringsalgoritme?

Video: Hvilke forutsetninger gjør lineær regresjonsmaskinlæringsalgoritme?
Video: Vækstformel for lineær vækst 2024, November
Anonim

Antagelser om estimatorene: De uavhengige variablene måles uten feil. De uavhengige variablene er lineært uavhengige av hverandre, dvs. der er ingen multikollinearitet i dataene.

I denne forbindelse, hva er de fire antakelsene om lineær regresjon?

Det er fire forutsetninger knyttet til en lineær regresjon modell: Linearitet: Forholdet mellom X og gjennomsnittet av Y er lineær . Homoscedastisitet: Variansen til residual er den samme for enhver verdi av X. Uavhengighet: Observasjoner er uavhengige av hverandre.

For det andre, hva er de grunnleggende forutsetningene for lineær regresjon? Forutsetninger om lineær regresjon

  • Regresjonsmodellen er lineær i parametere.
  • Gjennomsnittet av residualer er null.
  • Homoscedastisitet av residualer eller lik varians.
  • Ingen autokorrelasjon av residualer.
  • X-variablene og residualene er ukorrelerte.
  • Variasjonen i X-verdier er positiv.
  • Regresjonsmodellen er korrekt spesifisert.
  • Ingen perfekt multikollinearitet.

Herav, hva er antakelsene om lineær regresjon angående residualer?

Et spredningsplott av gjenværende verdier vs predikerte verdier er en god måte å sjekke til homoskedastisitet. Det skal ikke være noe tydelig mønster i fordelingen, og hvis det er et spesifikt mønster, er dataene heteroskedastiske.

Er regresjon en form for maskinlæring?

Lineær Regresjon er en maskinlæring algoritme basert på overvåket læring . Den utfører en regresjon oppgave. Regresjon modellerer en målprediksjonsverdi basert på uavhengige variabler. Lineær regresjon utfører oppgaven med å forutsi en avhengig variabelverdi (y) basert på en gitt uavhengig variabel (x).

Anbefalt: