Introduksjon til polynomial regresjon

Regresjon er definert som metoden for å finne forholdet mellom de uavhengige og avhengige variablene for å forutsi utfallet. Den første polynomiske regresjonsmodellen ble brukt i 1815 av Gergonne. Den brukes til å finne den beste passformlinjen ved å bruke regresjonslinjen for å forutsi resultatene. Det er mange typer regresjonsteknikker, polynomial regresjon er en av dem. Før du forstår dette, anbefales det å ha god kunnskap om lineær regresjon, så det vil være lett å merke forskjellene mellom dem.

Hvorfor polynomial regresjon?

  • Dette er en av regresjonsteknikken som brukes av profesjonelle til å forutsi utfallet. Det er definert som forholdet mellom de uavhengige og avhengige variablene når den avhengige variabelen er relatert til den uavhengige variabelen som har en niende grad. Det krever ikke at forholdet mellom avhengige og uavhengige variabler skal være lineære, så hvis linjen er en kurve enn den kan ha noen polynomisk betegnelse.
  • Hovedforskjellen mellom lineær og polynomial regresjon er at lineær regresjon krever at de avhengige og uavhengige variablene er lineært beslektede, mens dette kan passe bedre til linjen hvis vi inkluderer noen høyere grad til den uavhengige variabelen i ligningen. Ligningen av den polynomiske regresjonen som har en niende grad, kan skrives som:

Y = b0 + a1x + a2x 2 + a3x 3 +…. ANX n

  • Hvis vi legger til høyere grader som kvadratisk, blir den linjen til en kurve som passer bedre til dataene. Generelt brukes det når punktene i datasettet er spredt og den lineære modellen ikke er i stand til å beskrive resultatet tydelig. Vi bør alltid følge med på Overfitting og Underfitting mens vi vurderer disse grader til ligningen.
  • Det er bedre å vurdere graden som går gjennom alle datapunktene, men noen ganger tar høyere grad, for eksempel 10 eller 20, kan passere gjennom alle datapunktene og redusere feilen, men det fanger også opp støyen i dataene som passer for modellen og det kan unngås ved å legge til flere prøver i treningsdatasettet. Så det er alltid lurt å velge en optimal grad som passer modellen.

Det er to teknikker som brukes til å bestemme graden av ligningen:

  • Valg fremover: Det er metoden for å øke graden til den er betydelig nok til å definere modellen.
  • Valg bakover: Det er metoden for å redusere graden til den er betydelig nok til å definere modellen.

Prosedyre for å anvende polynomregresjon

Vennligst finn trinnene eller prosedyren nedenfor for å bruke polynomial regresjon på ethvert datasett:

Trinn 1: Importer det aktuelle datasettet til hvilken som helst plattform (R eller Python) og installer de nødvendige pakkene som kreves for å bruke modellen.

Trinn 2: Del datasettet i trenings- og testsett slik at vi kan bruke algoritmen på treningsdatasettet og teste det ved hjelp av testdatasettet.

Trinn 3: Bruk sonderende dataanalysemetoder for å studere bakgrunnen til dataene som gjennomsnitt, median, modus, første kvartil, andre kvartil, etc.

Trinn 4: Bruk den lineære regresjonsalgoritmen på datasettet og studer modellen.

Trinn 5: Bruk Polynomial regresjonsalgoritmen til datasettet og studer modellen for å sammenligne resultatene enten RMSE eller R square mellom lineær regresjon og polynomial regresjon.

Trinn 6: Visualiser og forutsi både resultatene av lineær og polynomial regresjon og identifiser hvilken modell som forutsier datasettet med bedre resultater.

Polynomial regresjon bruker

  • Det brukes i mange eksperimentelle prosedyrer for å produsere resultatet ved bruk av denne ligningen.
  • Det gir et stort definert forhold mellom de uavhengige og avhengige variablene.
  • Den brukes til å studere isotopen i sedimentene.
  • Det brukes til å studere økningen av forskjellige sykdommer i enhver populasjon.
  • Den brukes til å studere generasjonen av enhver syntese.

Funksjoner ved polynomial regresjon

  • Det er en type ikke-lineær regresjonsmetode som forteller oss forholdet mellom den uavhengige og avhengige variabelen når den avhengige variabelen er relatert til den uavhengige variabelen i nth grad.
  • Den beste passformlinjen avgjøres av graden av polynomial regresjonsligningen.
  • Modellen avledet fra den polynomiske regresjonen påvirkes av utleggerne, så det er alltid bedre å behandle utliggere før du bruker algoritmen på datasettet.
  • Polynomialfeature () -funksjonen konverteres til et trekk ved matrise avhengig av ligningens grad.
  • Arten av kurven kan studeres eller visualiseres ved å bruke et enkelt spredningsdiagram som vil gi deg en bedre ide om linearitetsforholdet mellom variablene og bestemme deretter.

Konklusjon

Polynomial regression brukes i mange organisasjoner når de identifiserer et ikke-lineært forhold mellom de uavhengige og avhengige variablene. Det er en av de vanskelige regresjonsteknikkene sammenlignet med andre regresjonsmetoder, så å ha inngående kunnskap om tilnærmingen og algoritmen vil hjelpe deg å oppnå bedre resultater.

Anbefalte artikler

Dette er en guide til en polynomial regresjon. Her diskuterer vi funksjonene og bruken av polynomial regresjon. Du kan også gå gjennom de andre foreslåtte artiklene våre for å lære mer–

  1. SVM-algoritme
  2. Kernemetoder
  3. LINESTE Excel-funksjon
  4. Maskinlæringsalgoritmer
  5. Linear Regression vs Logistic Regression | Topp forskjeller

Kategori:

Stor Data