Livro de receitas de aprendizagem automática com Python, 2ª edição

Capítulo 13. Regressão linear

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

13.0 Introdução

A regressão linear é um dos algoritmos de aprendizagem supervisionada mais simples do nosso conjunto de ferramentas. Se alguma vez fizeste um curso de introdução à estatística na faculdade, é provável que o último tópico abordado tenha sido a regressão linear. A regressão linear e as suas extensões continuam a ser um método comum e útil para fazer previsões quando o vetor de destino é um valor quantitativo (por exemplo, preço da casa, idade). Neste capítulo, abordaremos uma variedade de métodos de regressão linear (e algumas extensões) para criar modelos de previsão com bom desempenho.

13.1 Encaixar uma linha

Problema

Pretende treinar um modelo que represente uma relação linear entre a caraterística e o vetor de destino.

Solução

Utiliza uma regressão linear (no scikit-learn, LinearRegression):

# Load libraries
from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression

# Generate features matrix, target vector
features, target = make_regression(n_samples = 100,
                                   n_features = 3,
                                   n_informative = 2,
                                   n_targets = 1,
                                   noise = 0.2,
                                   coef = False,
                                   random_state = 1)

# Create linear regression
regression = LinearRegression()

# Fit the linear regression
model = regression.fit(features, target)

Debate

A regressão linear pressupõe que a relação entre as caraterísticas e o vetor alvo é aproximadamente ...