Regresi nganalisis hubungan antar variabel
Regresi punika teknik pertambangan data ingkang dipunginakaken kangge prédhiksi sawetara nilai numerik (ugi dipunsebat nilai-nilai ingkang kontinyu ), dipunparingaken wonten ing dataset tartamtu. Contone, regresi bisa digunakake kanggo nganakake prédhiksi biaya produk utawa layanan, diwenehi variabel liyane.
Regression digunakake ing pirang-pirang industri kanggo perencanaan bisnis lan marketing, peramalan keuangan, pemodelan lingkungan lan analisis tren.
Regresi Vs Klasifikasi
Regresi lan klasifikasi minangka teknik penambangan data sing digunakake kanggo ngatasi masalah sing padha, nanging padha kerep banget bingung. Loro-lorone digunakake ing analisis prediksi, nanging regresi digunakake kanggo ngramalake nilai numerik utawa terus-terusan nalika klasifikasi menehi data menyang kategori sing diskret.
Contone, regresi bakal dipigunakaké kanggo ngramal nilai omah sing adhedhasar lokasi, kaki persegi, rega nalika pungkasan sing didol, rega omah-omah sing padha, lan faktor-faktor liya. Klasifikasi bakal dikarepake yen sampeyan pengin tinimbang ngatur omah dadi kategori, kayata walkability, ukuran gedhe utawa tingkat angkara.
Jinis Regression Techniques
Wujud mundhut regane paling dawa lan paling tuwa yaiku regresi linier sing digunakake kanggo ngira hubungan antarane rong variabel. Teknik iki nggunakake rumus matématika garis lurus (y = mx + b). Ing istilah kosong, iki mung ateges yen, diwenehi grafik kanthi Y lan sumbu X, hubungan antarane X lan Y minangka garis lurus karo sawetara sing ora bisa ditemokake. Contone, kita bisa nganggep yen, sawisé paningkatan populasi, produksi pangan bakal ningkat ing tingkat sing padha - iki butuh hubungan sing kuat lan linier antara loro tokoh. Kanggo nggambarake iki, nimbang grafik sing sumbu Y nglacak populasi, lan sumbu X nglacak produksi pangan. Minangka Nilai Y mundhak, nilai X bakal ningkat ing tingkat sing padha, nggawe hubungan antarane garis lurus.
Tèknik-tèknik sing luwih maju, kayata réplresi résistènsi, prédhiksi hubungan antar variabel - umpamané, ana korélasi antara penghasilan, pendidikan lan sing milih urip? Penambahan variabel luwih akeh ningkatake kerumitan prediksi. Ana sawetara jinis macem-macem teknik regression kalebu standar, hirarkis, setwise lan stepwise, saben aplikasi dhewe.
Ing titik iki, penting kanggo ngerti apa sing kita nyoba kanggo prédhiksi (variabel gumantung utawa diprediksi ) lan data sing kita gunakake kanggo nggawe prediksi (variabel bebas utawa prediktor ). Contone, kita arep prédhiksi lokasi sing dipilih kanggo urip (variabel sing diprediksi ) sing diwenehi pendapatan lan pendidikan (loro variabel prediktor ).
- Regression berganda standar nganggep kabeh variabel prediksi ing wektu sing padha. Contone 1) apa hubungane antarane penghasilan lan pendidikan (prediktor) lan pilihan tetanggan (diramal); lan 2) kanggo gelar apa saben prakoto individu nyumbang kanggo hubungan kasebut?
- Sabanjure sawetara regression njawab pitakonan sing beda. Algoritma régrési stepwise bakal nganalisa prediktor sing paling apik digunakake kanggo ngramal pilihan lingkungan - tegesé model stepwise nguji urutan pentinge variabel prediktor banjur milih subset sing cocog. Masalah regression jenis iki nggunakake "langkah-langkah" kanggo ngembangake persamaan regression. Given regression jenis iki, kabeh prediksi bisa uga ora katon ing persamaan regression final.
- Regresi hirarkis , kayata stepwise, iku sawijining proses sekuensial, nanging variabel prediktor mlebu menyang modhèl ing urutan sing wis ditemtokake luwih dhisik, yaiku algoritma ora ngemot persamaan sing dibangun ing persamaan untuk menentukan urutan ketik prediktor. Iki digunakake paling kerep nalika individu nggawe persamaan regression wis ahli ilmu lapangan.
- Regresi saringan juga mirip karo stepwise nanging nganalisa sekumpulan variabel tinimbang variabel individu.