Praktische Lineare Algebra für Data Science

Kapitel 12. Anwendungen der kleinsten Quadrate

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In diesem Kapitel lernst du einige Anwendungen der Modellanpassung nach der Methode der kleinsten Quadrate in realen Daten kennen. Dabei lernst du, wie du die kleinsten Quadrate mit verschiedenen - numerisch stabileren - Python-Funktionen implementieren kannst, und du lernst einige neue Konzepte der Statistik und des maschinellen Lernens kennen, z. B. Multikollinearität, polynomiale Regression und den Gittersuchalgorithmus als Alternative zu den kleinsten Quadraten.

Am Ende dieses Kapitels wirst du ein tieferes Verständnis dafür haben, wie die kleinsten Quadrate in Anwendungen eingesetzt werden, einschließlich der Bedeutung von numerisch stabilen Algorithmen für "schwierige" Situationen, in denen Designmatrizen mit reduziertem Rang verwendet werden. Und du wirst sehen, dass die analytische Lösung der kleinsten Quadrate besser ist als eine empirische Parametersuche.

Fahrradverleih anhand des Wetters vorhersagen

Ich bin ein großer Fan von Fahrrädern und ein großer Fan von Bibimbap (ein koreanisches Gericht aus Reis und Gemüse oder Fleisch). Deshalb war ich froh, als ich einen öffentlich zugänglichen Datensatz über Fahrradvermietungen in Seoul fand.¹ Der Datensatz enthält fast neuntausend Beobachtungen über die Anzahl der Fahrräder, die in der Stadt ausgeliehen wurden, sowie Variablen über das Wetter ...