Su'esu'ega Fa'asolosolo Fa'asolosolo Faigofie
O le simple linear regression o se metotia fa'amaufa'ailoga e fa'aaogaina e iloilo ai le sootaga i le va o ni fesuia'iga fa'atatau se lua. O le fesuia'iga o lo'o tatou taumafai e vavalo e ta'ua o le dependent po'o le response variable, ae o le fesuia'iga e fa'aaogaina e fai ai le vavalo e ta'ua o le independent po'o le predictor variable. I le simple linear regression, tatou te taumafai e su'e le laina sa'o sili ona lelei e fa'amatalaina ai le sootaga i le va o nei fesuia'iga e lua.
Manatu Fa'avae o le Fa'asolosolo Fa'asolosolo Faigofie
O le fa'asologa fa'asolosolo faigofie e fa'avae i luga o le manatu o lo'o i ai se sootaga fa'asolosolo i le va o le fesuia'iga fa'alagolago \(Y\) ma le fesuia'iga tuto'atasi \(X\). O le fa'atulagaga lautele o se fa'ata'ita'iga fa'asolosolo faigofie e fa'apea:
\[ Y = \beta_0 + \beta_1 X + \epsilon \]
O fea:
– \( Y \) o le fesuia'iga fa'alagolago.
– \( X \) o le fesuia'iga tuto'atasi.
– O le \( \beta_0 \) o le intercept, o le tau lea o le \(Y\) pe a \(X = 0\).
– O le \( \beta_1 \) o le fa’ase’e po’o le gradient, o le averesi lea o suiga i le \(Y\) mo suiga ta’itasi i le \(X\).
– O le \( \epsilon \) o le mea sese po'o le vaega totoe e fai ma sui o le fesuia'iga i le \(Y\) lea e le mafai ona fa'amatalaina e le \(X\).
O le sini o le fa'asologa faigofie o le linear regression o le fa'atatauina lea o parakalafa \(\beta_0\) ma le \(\beta_1\) ina ia mafai ona fa'aaogaina le fa'ata'ita'iga e vavalo ai le tau o le \(Y\) e feso'ota'i ma le tau o le \(X\).
Metotia o le Fa'atafafā La'ititi
O se tasi o metotia e masani ona faʻaaogaina mo le faʻafetauiina o se faʻataʻitaʻiga faigofie o le linear regression o le metotia o le Least Squares. O lenei metotia e faʻamoemoe e faʻaitiitia le aofaʻi o sikuea o le faʻaletonu faʻatulagaina i le va o matauga moni ma tau na valoia e le faʻataʻitaʻiga. Faʻapea o loʻo ia i tatou ni matauga n e aofia ai paga \((x_i, y_i)\) mo \(i = 1, 2, …, n\). O le galuega e faʻaitiitia o le:
\[ S(\beta_0, \beta_1) = \sum_{i=1}^{n} (y_i – (\beta_0 + \beta_1 x_i))^2 \]
Ina ia maua le \(\beta_0\) ma le \(\beta_1\) e faʻaitiitia ai lenei galuega faatino, matou te aveina vaega o le \(S(\beta_0, \beta_1)\) e faʻatatau i parakalafa taʻitasi ma seti nei mea e maua mai i le zero. E mafai ona faʻafaigofieina le fuafuaga faʻamatematika e pei ona taua i lalo:
\[ \beta_1 = \frac{\sum_{i=1}^{n} (x_i – \bar{x})(y_i – \bar{y})}{\sum_{i=1}^{n} (x_i – \bar{x})^2} \]
\[ \beta_0 = \bar{y} – \beta_1 \bar{x} \]
O fea:
– \(\bar{x}\) o le averesi lea o le \(X\)
– \(\bar{y}\) o le averesi lea o le \(Y\)
A maeʻa ona maua parakalafa \(\beta_0\) ma le \(\beta_1\), e mafai ona faʻaaogaina se faʻataʻitaʻiga faigofie o le linear regression e vavalo ai le taua o le \(Y\) mo taua taʻitasi o le \(X\).
Manatu Fa'avae i le Simple Linear Regression
Mo ni taunuuga aoga ma faatuatuaina, o le faigofie linear regression e faʻatatau i ni nai mea:
1. Fa'asologa sa'o: E tatau ona fa'asologa sa'o le sootaga i le va o le fesuia'iga fa'alagolago ma le fesuia'iga tuto'atasi.
2. Tuto'atasi: E tatau ona tuto'atasi fa'amatalaga.
3. Homoscedasticity: E tatau ona tumau pea le fesuiaʻiga o totoe i le vaega atoa o tau o le fesuiaʻiga tutoʻatasi.
4. Tulaga Masani o Totoe: E tatau i mea sese (mea sese) ona mulimuli i se tufatufaga masani.
Afai e le ausia nei manatu, o le a le faʻatuatuaina taunuuga o se faʻataʻitaʻiga faigofie o le regression linear ma atonu e le mafai ona faia ni valoʻaga saʻo.
Iloiloga o le Faʻataʻitaʻiga o le Regression
O se tasi o auala e iloilo ai le lelei o le vavaloina e se faʻataʻitaʻiga faigofie o le regression linear o le faʻaaogaina lea o le Coefficient of Determination (\(R^2\)). O le coefficient of determination e faʻaalia ai le vaega o le fesuiaʻiga i le fesuiaʻiga faʻalagolago e mafai ona faʻamatalaina e le fesuiaʻiga i fesuiaʻiga tutoʻatasi.
\[ R^2 = \frac{\sum_{i=1}^{n} (\hat{y}_i – \bar{y})^2}{\sum_{i=1}^{n} (y_i – \bar{y})^2} \]
O fea:
– O le \(\hat{y}_i\) o le tau valoiaina lea o le \(Y\).
– O le \(y_i\) o le tau moni lea o le \(Y\).
– O le \(\bar{y}\) o le averesi lea o tau o le \(Y\).
O le tau \(R^2\) e amata mai le 0 i le 1. O se tau \(R^2\) e latalata i le 1 e faʻaalia ai e mafai e le faʻataʻitaʻiga ona faʻamatalaina le tele o fesuiaʻiga i le fesuiaʻiga faʻalagolago.
Fa'atinoina i le Gagana Fa'apolokalameina
Mo le fa'atinoina o le linear regression faigofie, e mafai ona tatou fa'aogaina polokalame fa'amaumauga eseese po'o gagana fa'apolokalame. O lo'o i lalo se fa'ata'ita'iga o le fa'atinoina i le Python e fa'aaoga ai le faletusi `scikit-learn`:
“`python
faaulufale mai numpy pei np
faaulufale mai matplotlib.pyplot pei plt
mai le sklearn.linear_model faaulufale mai LinearRegression
mai le sklearn.metrics import mean_squared_error, r2_score
Faʻamatalaga
X = np.fa'asologa([[1], [2], [3], [4], [5]]).astype(np.float64)
y = np.fa'asologa([1.5, 3.6, 3.5, 2.9, 5.5]).astype(np.float64)
faʻataʻitaʻiga
fa'ata'ita'iga = LinearRegression()
model.fit (X, y)
Va'aiga
y_pred = model.predict (X)
Fa'atusatusaga
beta_0 = fa'ata'ita'iga.fa'alavelave_
beta_1 = model.coef_[0]
lolomi(f'Intercept: {beta_0}')
lolomi(f'Mauga: {beta_1}')
lolomi(f'Sese fa'atafafā averesi: {mean_squared_error(y, y_pred)}')
lolomi(f'Coefficient o le fuafuaina (R^2): {r2_score(y, y_pred)}')
Fa'asologa o fa'amaumauga ma le laina fa'asolosolo
plt.scatter(X, y, lanu='lanumoana')
plt.plot(X, y_pred, lanu='mumu')
plt.xlabel('X')
plt.ylabel('Y')
plt.faʻailoa ()
""
I le faʻataʻitaʻiga o loʻo i luga, matou te faʻaulufale muamua mai faletusi manaʻomia, faʻamatalaina faʻamaumauga \(X\) ma le \(Y\), ona faʻaaoga lea o le mea faitino `LinearRegression` mai le `scikit-learn` e faʻafetaui ai se faʻataʻitaʻiga i faʻamaumauga. A maeʻa ona faʻafetaui le faʻataʻitaʻiga, matou te faia ni valoʻaga ma faʻatatau ia coefficients, faʻapea foʻi ma le mean squared error ma le coefficient of determination. Mulimuli ane, matou te faʻatulagaina faʻamaumauga ma le laina regression.
I'uga
O le fa'asologa fa'asolosolo faigofie o se meafaigaluega malosi e fa'aaogaina e fa'amatala ai le sootaga i le va o fesuia'iga fa'atusatusa e lua. Faatasi ai ma ni manatu fa'avae e uiga i le fa'asologa fa'asolosolo, tuto'atasi, homoscedasticity, ma le masani, e mafai ona tatou vavaloina le taua o le fesuia'iga fa'alagolago e fa'avae i luga o taua o fesuia'iga tuto'atasi. O le metotia o le Least Squares e maua ai se auala lelei e fetaui ai se laina fa'asolosolo ma fuafua ai parakalafa sili ona lelei. O le iloiloga o le fa'ata'ita'iga e ala i le coefficient of determination (R2) e maua ai se malamalamaaga i le lelei o le fa'atinoga o la tatou fa'ata'ita'iga.
E ui o le faigofie linear regression e iai ona tapulaʻa, e pei o le naʻo le mafai ona taulimaina ni fesuiaʻiga se lua ma ni manatu e tatau ona ausia, o lenei metotia o loʻo tumau pea o se faʻavae taua i fuainumera ma le auʻiliʻiliga o faʻamaumauga, ma e masani ona faʻaaogaina o se laʻasaga muamua i le malamalama i le sootaga i le va o fesuiaʻiga aʻo leʻi agai atu i ni metotia e sili atu ona faigata.
