Regresja liniowa to metoda statystyczna opisująca zależność między zmienną docelową a jedną lub kilkoma zmiennymi objaśniającymi za pomocą prostej lub płaszczyzny. Współczynniki dobiera się zwykle tak, aby zminimalizować sumę kwadratów odchyleń. Metoda jest łatwa do zrozumienia i interpretacji: pozwala na przykład oszacować, o ile rosną przychody, gdy budżet reklamowy wzrasta o 1000 €. Jej granice pojawiają się przy zależnościach nieliniowych.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoRegresja logistyczna to metoda statystyczna, która przewiduje prawdopodobieństwo jednego z dwóch wyników, takich jak „kupuje” lub „nie kupuje”. Waży cechy wejściowe i zamienia ich sumę na wartość od 0 do 1 za pomocą funkcji o kształcie litery S. Ponieważ wagi są łatwe do interpretacji, jest szeroko stosowana w scoringu kredytowym, medycynie i marketingu, często jako solidny punkt odniesienia dla bardziej złożonych modeli.
Średni błąd bezwzględny (MAE) pokazuje, o ile przewidywania modelu odbiegają średnio od wartości rzeczywistych, niezależnie od kierunku odchylenia. Jest wyrażany w jednostce zmiennej docelowej, dzięki czemu łatwo go zrozumieć. Przykład: MAE równy 12 przy dziennej prognozie sprzedaży oznacza, że model myli się średnio o 12 sztuk. Wartości odstające mają w nim mniejszą wagę niż w miarach opartych na błędzie kwadratowym.
Skorygowany współczynnik R² mierzy, jak dobrze model regresji wyjaśnia zmienność danych, z uwzględnieniem liczby użytych predyktorów. Zwykły współczynnik R² rośnie z każdą dodatkową zmienną, nawet taką, która nic nie wnosi; wersja skorygowana karze niepotrzebne zmienne. Pozwala to rzetelniej porównywać modele o różnej wielkości, na przykład prognozę sprzedaży opartą na trzech zamiast dziesięciu czynnikach.
Modelowanie predykcyjne to techniczne jądro analityki predykcyjnej: na podstawie przykładowych danych ze znanymi wynikami buduje się model, który przewiduje wartość lub klasę dla nowych przypadków. Typowe metody to regresja, drzewa decyzyjne, lasy losowe i sieci neuronowe. Model może na przykład szacować cenę nieruchomości na podstawie powierzchni, lokalizacji i roku budowy. Przed wdrożeniem testuje się go na zatrzymanych danych, aby wykryć przeuczenie.
