Multi-Linear Regression ve Örnek Uygulama

Bundan önceki yazmızda Linear Regression’dan bahsetmiştik. Temel olarak multi-linear regression da aynı linear regression gibi supervised modeldir. Yine temel amaçlardan bir tanesi doğrusal bir çigi ile metodu fit etmektir. Linear Regressiondan farkı ise bir çok değişkenler arasında ilişki olabilmektedir.

Amaçlardan bir tanesi bağımlı ve bağımsız değişkenler arasındaki ilişkiyi ifade eden regression modeldir.

Burada bakıldığında;

• yi = bağımlı değişken (elde edilmek istenen sonuç), tahmin
• b0 = sabit değer (constant), aynı zaman da y eksenini kestiği nokta
• b1 = kat sayı(coefficient), çizilecek doğrunun eğimi
• b2= kat sayı(coefficient), çizilecek doğrunun eğimi
• x1 = bağımsız değişken
• E = hata tahmini

Multi-Linear regression algoritması daha iyi anlaşılması için bir örnek üzerinde pekiştirelim. Elimizde şöyle bir veri seti olduğunu düşünelim. Boy,Yaş,Ayakkabı numarası vb. Ve bir insanın boyunu tahmin etmek istediğimizi düşünelim. Boyunu tahmin edebilmek için bağımlı değişkenler nelerdir diye düşünecek olursak yaş ve ayakkabı numarası bağımlı değişken olmaktadır.

Multi-linear regressionda hatalar normal dağılır. Normal dağılımdaki kasıt gerçek değerler ile tahmin değerleri arasındaki farktır. Değişkenler ile hata terimi arasında ilişki yoktur.

Multi-Linear Regression

İyi Okumalar.