Regression analysearret relaasjes tusken fergunnings
Regression is in data-miningtechnika dy't brûkt wurdt om in tal fan numerike wearden (ek troch kontinulearre wearden ) te foarsjen, te krijen mei in bepaalde dataset. Bygelyks kin regression brûkt wurde om de kosten foar in produkt of tsjinst te foarsjen, oanjaan fan oare fariabelen.
Regression wurdt brûkt yn meardere yndustryën foar bedriuwslibben en marketingplaning, finansjele prognoaasje, miljeu-modeling en analyze fan trends.
Regression Vs. Klassifikaasje
Regression en klassifikaasje binne data-miningtechniken dy't brûkt wurde om problemen lykas problemen te pleatsen, mar se wurde faak ferneamd. Beide wurde brûkt foar predikaasje-analyse, mar regression wurdt brûkt om in numerike of trochgeande wearde te foarsjen, wylst de klassifikaasje gegevens yn diskrete kategoryen jout.
Bygelyks, regression soe brûkt wurde om de hûs fan in hûs te bewizen op basis fan har lokaasje, fjouwerkante fuotten, priis as lêste ferkocht, de priis fan fergelykbere wenten, en oare faktoaren. Klassifikaasje soe yn oarder wêze as jo wolle hokker huzen yn kategoryen organisearje woene, lykas kuorbalke, lotgrutte of kriminaliteit.
Typen fan regressionstechniken
De ienfâldige en âldste foarm fan regression is lineêre regression dy't brûkt wurdt om in relaasje tusken twa fariabelen te skatten. Dizze technyk brûkt de wiskundige formule fan in rjochte line (y = mx + b). Op gewoane termen betsjut dit gewoan dat in relaasje tusken X en Y in ym rjochts is mei in y-grafyk mei in Y en in X-as as in pear oerlappen. Sa kinne wy bygelyks leauwe dat, mei in fergrutting fan 'e befolking, de produksje fan it fiedsel op deselde tidens ferheegje - dat in sterke, lineêre relaasje tusken de twa sifers nedich is. Om dit te visualisearjen, beskôgje in grafyk wêryn't de Y-axis as populaasje fergruttet, en de X-axis treffe de produksje fan iten. As de y-wearde ferheget, soe de X-wearde om deselde tarieding ferheegje, sadat de relaasje tusken har in rigele line kin makket.
Ferfange techniken, lykas mear regression, ferwize in relaasje tusken meardere fariabelen - bygelyks is der in korrelaasje tusken ynkomsten, oplieding en wêr't ien keart te wenjen? It tafoegjen fan mear fariabelen fergruttet de kompleksiteit fan 'e predikaasje. Der binne ferskate typen fan mear regressionstechniken, lykas standert, hierarchysk, opsetich en stapkeel, elk mei in eigen applikaasje.
Op dit stuit is it wichtich om te begripen wat wy probearje (de ôfhinklike of foarferwizige fariabele) en de gegevens dy't wy brûke om de predikaasje te meitsjen (de ûnôfhinklike of predictor- fariabelen). Yn ús foarbyld wolle wy de lokaasje foarsizze wêr't men kieze te libjen (de foarsizzende fariabele) jûn ynkommens en edukaasje (sawol foar foar predictorvariablen ).
- Standert meardere regression beskôget alle tagongsrjochten foar tagelyk. Bygelyks 1) wat is de relaasje tusken ynkomsten en ûnderwiis (foarsizzers) en keuze fan buert (foarsjoen); en 2) nei hokker mjitte dogge elk fan 'e yndividuele predictors bydrage oan dy relaasje?
- Stap kinne ferskillende fragen in folslein oare fraach antwurdzje. In stappe regression algoritme sil analysearje hokker prestizers benammen brûkt wurde om de keuken foar tefoaren te praten - dat betsjuttet dat it stapelmodel de opdracht fan belang fan 'e predictorvariablen evaluearret en dan in relevante subset selekteert. Dit type regressionprobleem brûkt "stappen" om de regressionoerigaasje te ûntwikkeljen. Troch dit type regression kinne alle foarbylden net sizze yn 'e definitive regressionske-gearhing.
- Hierarchyske regression , lykas stappe, is in sequinsjeel proses, mar de foarsizzers fan 'e foarsizzers wurde yn' e modelle ynfierd yn in foarôfgeandene opdracht, definiearre yn 't foarút, dus it algoritme befettet gjin ynboude ynstellings foar it bepalen fan de opdracht wêrby't ynfiere de predictors. Dit wurdt meast brûkt as it yndividu dy't de regression-lykweardige skeppe hat eksperte kennis fan it fjild.
- Ynstelde regression is ek fergelykber mei stappe mar analysearret sets fan fariabelen ynstee fan yndividuele fariabelen.