- https://revamp2-project.eu/?lang=hu&page=/5zmxY
- A mellek kisebbek lesznek, amikor fogysz
- https://revamp2-project.eu/?lang=hu&page=/XFTvA
- https://revamp2-project.eu/?lang=hu&page=/Q0eMD
Lineáris regresszió fogyás? Mi a lineáris regresszióelmélet?
A lineáris regresszió két változó közötti kapcsolat kimutatására törekszik egy lineáris egyenletnek a megfigyelt adatokra történő alkalmazásával. Az egyik változónak egy független változónak, a másiknak pedig egy függő változónak kell lennie.
Az egyszerű lineáris regresszió képlete a következő: y a függő változó ( y ) előre jelzett értéke a független változó ( x ) bármely adott értékére.
Megpróbálom megérteni, hogy megvalósíthatunk-e egy egyszerű lineáris regressziós modellt.
De mielőtt erre rátérnénk, határozzuk meg a veszteségfüggvényt és az Y előrejelzésére szolgáló függvényt a paraméterek segítségével.
Milyen hátrányai vannak a lineáris regressziónak? A lineáris regressziós modelleknek vannak hátrányai is. Nem működnek hatékonyan bonyolult adathalmazok esetén, és nehezen tervezhetők nemlineáris adatokra. Ezért az adattudósok azt javasolják, hogy a feltáró adatelemzéssel kezdjék az adatok lineáris eloszlásának vizsgálatát.
Mit mond a lineáris regressziós egyenes?
A lineáris regresszió az a gyakorlat, amikor statisztikailag kiszámítunk egy egyenes vonalat, amely két különböző elem közötti kapcsolatot mutat be. Ebben az esetben a kapcsolat a kerti törpék elhelyezkedése a kelet-nyugati dimenzióban és a kerti törpék elhelyezkedése az észak-déli dimenzióban lenne.
Az olyan algoritmusok, mint a lineáris regresszió, a döntési fa, a neurális hálózatok, főként az alábbi függvényeket használják regressziós problémákra.
Ha megnézted a fogyásom műszerfali profilját, akkor észreveheted, hogy a fogyásom nagy része a lábakból / hasi napból származik, és a kumulatív pihenőnapok a pozitív súlyváltozásért felelősek.
A súlyozott lineáris regressziót akkor kell használni, ha a megfigyelési hibák nem rendelkeznek állandó szórással, és sértik a lineáris regresszió homoszkedaszticitási követelményét.
A súlyozott regresszió egyik módja az, hogy feltételezzük, hogy a súly egy megfigyelés varianciájához kapcsolódik. Erre a random forest regresszió egy másik, továbbfejlesztett algoritmusával, a rekurzív jellemzőeliminációval válaszolunk.Mielőtt folytatnám, vegye figyelembe, hogy a regressziós ábra a teljes adatkészletre vonatkozik, míg az összefoglaló statisztika az elmúlt 14 nap adatait veszi el.
Bár sok weboldal hasonló tanácsokat oszt meg a táplálkozással és a testsúlycsökkentéssel kapcsolatos edzéssel kapcsolatban, az adattudomány alkalmazása ebben a személyes projektben értékes betekintést nyújtott az egyes funkciók nagyságrendjéről a fogyáshoz kapcsolódóan.
A projektem végén a súlyvesztésről a tömeggyarapodásra helyeztem át a hangsúlyt, így nincs értelme megjósolni a jövőbeli súlyomat a most bemutatásra kerülő modellekkel.
Tudja, hogy a lineáris regresszió hogyan tanulhat nemlineáris függvényeket a jellemzőtérképek segítségével. Folytathatom a regressziós algoritmusok arzenáljával, és talán még a mély tanulást is felhasználhatom, hogy közelebb hozzam a tényleges értékhez. Az Elastic-Net egy lineáris regressziós modell, amelyet az együtthatók l1 és l2 -normális regularizációjával képeztek ki.A lineáris regressziós egyenes az MSE-veszteséggel hajlamos lesz igazodni ezekhez a kiugró értékekhez.
Kezdőként ezek a veszteségek több mint elégségesek, de ha még mindig mélyebbre akar ásni és több veszteségfüggvényt akar felfedezni, erősen ajánlom, hogy nézze át a Charbonnier veszteséget, a pszeudo-Huber veszteséget és az általánosított Charbonnier veszteségfüggvényeket.A széles körben használt regressziós veszteségfüggvények, például az átlagos négyzetes hiba, az átlagos abszolút hiba és a Huber-veszteség mélyreható magyarázata.
Ezek a szórások tükrözik a válasz Y értékeiben rejlő információt (ne feledjük, hogy ezek átlagok), ezért a regressziós modell becslése során a nagy szórású megfigyeléseket le kell súlyoznunk, a kis szórású megfigyeléseket pedig fel kell emelnünk.
A jó hír itt az, hogy van egy normál egyenlet a ridge-regresszióhoz.
A lineáris regresszió azért vonzó modell, mert az ábrázolás olyan egyszerű.
Valójában, bár nem vettem fel a napokat független változóként használó lineáris regressziót, nagyjából sejthető, hogy a 4 változóhoz képest ez adja a legjobb előrejelzést. Miért használunk lineáris regressziót? A lineáris regresszió könnyebben használható, egyszerűbben értelmezhető, és több statisztikát kapunk, amelyek segítenek a modell értékelésében. Bár a lineáris regresszió képes görbéket modellezni, viszonylag korlátozott az általa illeszthető görbék alakját illetően. Előfordul, hogy nem tud illeszkedni az Ön adatainak adott görbéjéhez. A regressziós algoritmusok széles körben használt veszteségfüggvényeit tárgyaljuk, hogy jól megértsük a veszteségfüggvény fogalmát.Mivel az egyes súlyok fordítottan arányosak a hibavariánssal, az adott megfigyelésben rejlő információt tükrözik.
A fogyás előrejelzése 1 éves csoportos kezelés esetén lineáris regressziós modellekkel.
A súlyozott legkisebb négyzetek ehelyett a modell véletlen hibáinak viselkedését tükrözik; és olyan függvényekkel használható, amelyek lineárisak vagy nem lineárisak a paraméterekben.
Most kiszámítjuk a és b értékét az a és b legkisebb négyzetre vonatkozó regressziós képletek segítségével.
A helyi regresszió vagy helyi polinomiális regresszió, más néven mozgó regresszió, a mozgó átlag és a polinomiális regresszió általánosítása.