Ce înseamnă Regresie
Regresia înseamnă prezicerea unei valori numerice continue: cât va costa un apartament, câți clienți vor intra mâine în magazin, ce consum de energie va avea o clădire. Spre deosebire de clasificare, răspunsul nu este o categorie, ci un număr care poate lua multe valori.
Cea mai simplă formă este regresia liniară, care trasează o linie dreaptă prin date. Modelele mai complexe (arbori, random forest, rețele neuronale) pot surprinde relații curbe și interacțiuni între mai mulți factori. Numele vine din statistica secolului al XIX-lea, de la observația lui Francis Galton privind „regresia către medie” a înălțimii copiilor față de părinți.
Cum funcționează
Modelul învață din exemple cu valoare cunoscută (apartamente vândute, cu prețul lor) cum depinde rezultatul de caracteristici (suprafață, etaj, cartier). La antrenare, minimizează o funcție de pierdere precum eroarea pătratică medie, adică diferența dintre prețurile prezise și cele reale.
Performanța se măsoară de obicei prin eroarea medie absolută (cu cât greșește în medie, în unitatea măsurată) sau prin eroarea pătratică medie.
Pe înțelesul tuturor
Când estimezi cât durează drumul până la serviciu („dacă plec la 8 și e trafic, fac cam 35 de minute”), faci regresie în minte: din experiența zilelor trecute, deduci un număr pentru ziua de azi.
Exemplu
Cu cifre inventate, pentru exemplu: un model învață din vânzările dintr-un oraș că prețul unui apartament este aproximativ 10.000 € + 1.500 € × suprafața în m². Pentru 60 m², estimarea este 10.000 + 90.000 = 100.000 €. Dacă eroarea medie absolută pe setul de test este 8.000 €, știi că estimările sunt, în medie, cu circa 8.000 € peste sau sub prețul real.
De reținut
- Regresia prezice un număr; clasificarea prezice o categorie.
- Regresia liniară este cel mai simplu model și un bun punct de plecare.
- Eroarea se exprimă în aceeași unitate ca rezultatul (euro, minute, grade).
Nu confunda
- Regresia logistică nu este regresie în sensul de mai sus: în ciuda numelui, este o metodă de clasificare, care prezice probabilitatea unei categorii.
Termeni înrudiți
- Clasificare: Sarcina de machine learning în care modelul pune fiecare exemplu într-o categorie dintr-o listă fixă, de exemplu „spam” sau „nu e spam”.
- Învățare supervizată: Metoda de machine learning în care modelul învață din exemple care au deja atașat răspunsul corect.
- Analiză predictivă: Folosirea datelor istorice și a modelelor statistice sau de machine learning pentru a estima ce se va întâmpla în viitor.
- Funcție de pierdere (loss): Formula care măsoară cât de greșite sunt predicțiile unui model; antrenarea înseamnă micșorarea acestui număr.
- Underfitting: Situația în care un model este prea simplu sau prea puțin antrenat și nu prinde tiparele din date, greșind și pe datele cunoscute.