Machine Learning - Regressió

Imagineu-vos que treballeu per a AirBnB i us arriba un nou propietari amb un apartament a Nova York. Vol un consell sobre quin preu (per nit) ha de llogar l'apartament.

Els lloguers d'AirBnB a Nova York acostumen a atraure turistes, de manera que decidiu que utilitzareu la distància fins a una de les destinacions més populars, l'Empire State Building, per analitzar els lloguers actuals i estimar un preu per al propietari.

A continuació podeu veure una mostra aleatòria de lloguers d'AirBnB a Nova York, el seu preu i la distància a l'Empire State Building.

Aquest problema és perfecte per a la regressió. La variable dependent és el preu del lloguer: el que voleu predir. La variable independent és la distància a l'Empire State Building. Si utilitzeu la regressió a les dades anteriors, es produiria la línia següent:

No hi ha manera d'aconseguir una línia que passi per totes les dades que teniu. Per a cada punt, la distància a la línia (amunt o avall) s'anomena error . L'objectiu de l'algorisme de regressió és fer que la suma de tots els errors del gràfic sigui el més baix possible.

Regressió polinòmica

Tot l'anterior suposa que hi ha una relació lineal entre les vostres entrades i les vostres sortides. Això vol dir que afegir la mateixa quantitat a una entrada sempre donarà lloc al mateix augment de la sortida.

En alguns casos, és possible que la relació no sigui lineal, de manera que en comptes d'això utilitzeu una corba polinòmica. Els polinomis són un altre tipus d'equació, que normalment utilitzen una potència de x(x n ).

Aquest tipus s'anomena regressió polinòmica , mostra una relació no lineal on afegir algun valor a la vostra entrada no sempre provoca el mateix augment de la sortida.

Regressió amb múltiples entrades

També podeu utilitzar la regressió en problemes amb múltiples variables independents, i aquí és on ML és realment útil.

Quan teniu més d'una variable d'entrada, l'algoritme calcularà els pesos de cadascuna d'elles. L'aprenentatge automàtic s'utilitza per "aprendre" ajustant els pesos per reduir l'error tant com sigui possible, per arribar als pesos òptims.

A l'exemple anterior, podeu decidir que la ubicació no és suficient per predir un preu amb precisió. També podeu considerar el nombre d'habitacions o la durada màxima d'un lloguer per ajudar-vos a fer millors prediccions.

Page updated

Report abuse