Реализация линейной регрессии в C ++

Блог

Линейная регрессия моделирует связь между независимой (независимой) переменной и переменной (зависимой) скалярного отклика путем подбора линейного уравнения.



Изображение для публикации

Например, моделирование веса людей с учетом их роста с помощью линейного уравнения.



Прежде чем пытаться смоделировать взаимосвязь на наблюдаемых данных, вы должны сначала определить, существует ли между ними линейная связь или нет. Обычно диаграмма рассеяния может быть полезным инструментом для просмотра взаимосвязи между данными.

что такое монета эон

Изображение для публикации



Автор Sewaqu - собственная работа, общественное достояние, https://commons.wikimedia.org/w/index.php?curid=11967659

Линия линейной регрессии имеет уравнение вида Y = a + bX , куда Икс объясняющая переменная и А ТАКЖЕ зависимая переменная. Наклон линии равен, а к является перехватом (значение а также когда Икс = 0).

В этой статье мы реализуем модель простой линейной регрессии. Простая линейная регрессия касается двумерных точек выборки с одной независимой переменной и одной зависимой переменной и находит линейную функцию, которая предсказывает значения зависимой переменной как функцию независимой переменной.

Когда вы выполняете простую линейную регрессию (или любой другой тип регрессионного анализа), вы получаете линию наилучшего соответствия. Точки данных обычно не попадают в эту линию уравнения регрессии; они разбросаны повсюду.

К остаточный - это расстояние по вертикали между точкой данных и линией регрессии. Каждая точка данных имеет один остаток. Он положительный, если он выше линии регрессии, и отрицательный, если он ниже линии регрессии. Если линия регрессии проходит через точку, остаток в этой точке равен нулю.

Основная проблема здесь состоит в том, чтобы минимизировать общую остаточную ошибку, чтобы найти линию наилучшего соответствия, если вам нужно больше объяснений теории, лежащей в основе следующих уравнений, я рекомендую прочитать эту статью:

Линейная регрессия - понимание теории

Не вдаваясь в подробности, мы должны использовать следующие уравнения:

Изображение для публикации

вывод можно найти здесь

Для простоты мы можем разделить его на следующие части:

Изображение для публикации

стек ламп на окна

Изображение для публикации

Изображение для публикации


Теперь мы можем приступить к реализации линейной регрессии.

# статистика # машинное обучение # наука о данных # c ++ #cplusplus # программирование-c

medium.com

Реализация линейной регрессии в C ++

Учебник по рабочему коду о том, как реализовать основы машинного обучения с помощью C ++. Линейная регрессия моделирует связь между независимой (независимой) переменной и переменной (зависимой) скалярного отклика путем подбора линейного уравнения.