✅ Полиномна регресија - Употребе и карактеристике полиномске регресије

Увод у полиномску регресију

Увод у полиномску регресију

Регресија је дефинисана као метода проналаска односа између независних и зависних варијабли за предвиђање исхода. Први полиномски регресијски модел користио је 1815. године Гергонне. Користи се за проналажење најбоље подесне линије помоћу регресијске линије за предвиђање исхода. Постоји много врста регресијских техника, полиномска регресија је једна од њих. Пре него што то схватите, препоручљиво је правилно познавање линеарне регресије, тако да ће бити лако обележити разлике међу њима.

Зашто полиномска регресија?

Ово је једна од техника регресије коју професионалци користе да предвиде исход. Дефинише се као однос између независних и зависних варијабли када је зависна променљива повезана са независном променљивом која има н-ти степен. Не захтијева да однос између зависних и независних варијабли буде линеарни, тако да ако је линија кривуља, онда може имати било који полиномни појам.
Главна разлика између линеарне и полиномне регресије је у томе што линеарна регресија захтева да зависне и независне променљиве буду линеарно повезане, док то може боље да одговара линији ако у једнаџбу укључимо било који виши степен независног променљивог термина. Једнаџба полиномне регресије која има н-ти степен може се написати као:

И = б0 + а1к + а2к 2 + а3к 3 +…. анк н

Ако додамо више степене као што је квадратни, онда то претвара линију у кривуљу која боље одговара подацима. Опћенито се користи када су тачке у скупу података раштркане, а линеарни модел не може јасно описати резултат. Увек бисмо морали да пазимо на прекомерно уклапање и недовољно задовољавање док узмемо у обзир ове степене једначини.
Боље је узети у обзир степен који пролази кроз све тачке података, али понекад узимање вишег степена, као што је 10 или 20, може проћи кроз све тачке података и умањити грешку, али такође хвата буку података која је у складу с моделом и то се може избећи додавањем више узорака у скуп података тренинга. Дакле, увек је препоручљиво одабрати оптималан степен који одговара моделу.

Постоје две технике које се користе за одређивање степена једначине:

Напредни избор: То је метода повећања степена све док није довољно значајна за дефинисање модела.
Избор уназад: То је метода смањења степена све док није довољно значајан за дефинисање модела.

Процедура за примену полиномске регресије

У наставку пронађите кораке или поступак за примену полиномске регресије на било који скуп података:

Корак 1: Увезите одговарајући скуп података на било коју платформу (Р или Питхон) и инсталирајте потребне пакете потребне за примену модела.

Корак 2: Поделите скуп података на скупове тренинга и тестирања тако да алгоритам можемо применити на скуп података о тренингу и тестирати га помоћу скупа података за тестирање.

Корак 3: Примените истраживачке методе анализе података да бисте проучили позадину података као што су средњи, средњи, мод, први квартил, други квартил итд.

Корак 4: Примените алгоритам линеарне регресије на скуп података и проучите модел.

Корак 5: Примените алгоритам полиномне регресије на скуп података и проучите модел да упоредите резултате или РМСЕ или Р квадрат између линеарне регресије и полиномне регресије.

Корак 6: Визуализујте и предвидите резултате линеарне и полиномне регресије и идентификујте који модел предвиђа скуп података са бољим резултатима.