Nel mondo dei dati e dei programmi informatici, il concetto di Machine Learning potrebbe sembrare un osso duro, pieno di matematica complicata e idee complesse.
Questo è il motivo per cui oggi voglio rallentare e dare un’occhiata alle cose fondamentali che fanno funzionare tutto questo. Sto dando il via a una nuova serie di articoli che chiamo MLBasics.
Rivisiteremo i modelli semplici, ma estremamente importanti, che rappresentano l’ABC del ML. Immagina di iniziare con i pezzi più facili di un grande puzzle. Ritorneremo alle cose semplici, dove è facile capire cosa sta succedendo.
Quindi vieni con noi per il giro mentre analizziamo e rendiamo tutto chiaro.
Immergiamoci insieme nella regressione lineare semplice, passo dopo passo! 👇🏻🤓
Il regno dell’analisi predittiva è vasto, ma al suo centro c’è la regressione lineare, il metodo più semplice per dare un senso alle tendenze dei dati.
Sebbene le sue estensioni a più variabili possano sembrare scoraggianti, la nostra attenzione oggi si restringe alla regressione lineare semplice.
🎯 L’obiettivo principale?
Trovare una relazione lineare tra:
- La variabile indipendente o predittore.
- La variabile dipendente o output
In parole povere, la regressione lineare consiste nel trovare una linea retta che mostri come due cose sono collegate, ad esempio quanto studi (questa è la parte indipendente) e i tuoi punteggi nei test (questa è la parte dipendente).
La grande idea è vedere come una cosa può predire l’altra.
Sembra interessante, vero?
Quindi ora… proviamo a dare un senso alla domanda sulla regressione lineare…
Consideratelo come un lavoro di squadra in cui due cose lavorano insieme:
Fonte: towardsdatascience.com
