SeterusnyaPanduan seterusnya
Analisis Diskriminasi Linear
Teknikal
PANDUAN Teknikal
Regresi linear menerangkan min bersyarat sebagai gabungan linear peramal, tetapi tafsiran yang boleh dipercayai dan anggaran ketidakpastian bergantung pada andaian tentang ralat dan pengumpulan data.
Dengar panduan iniAI-diceritakan · ~3 min
Plot sisa membantu mendedahkan kelengkungan, perubahan sebaran, pergantungan dan pemerhatian luar biasa yang boleh disembunyikan oleh statistik muat tunggal.
Regresi linear memodelkan tindak balas sebagai fungsi linear peramal ditambah istilah ralat. Andaian sering diringkaskan terlalu luas, jadi asingkan yang digunakan untuk menganggar pekali daripada yang diperlukan untuk ralat dan ujian standard yang biasa. Min bersyarat hendaklah diwakili dengan betul oleh peramal yang dipilih dan bentuk berfungsi. Pemerhatian atau ralat hendaklah bebas di bawah reka bentuk persampelan. Varians ralat bersyarat yang berterusan, dipanggil homoskedastisitas, menyokong formula ralat piawai OLS biasa. Ralat yang diedarkan biasanya berkaitan terutamanya dengan inferens sampel kecil yang tepat di bawah model klasik, dan bukannya keperluan untuk mengira kuasa dua terkecil yang sesuai dengan dirinya sendiri. Baki ialah hasil yang diperhatikan tolak nilai yang dipasang. Plot baki terhadap nilai yang dipasang dan peramal penting. Awan berpusat di sekitar sifar tanpa lengkung sistematik menyokong bentuk min yang dipilih; gelombang atau jalur berbentuk U menghala ke arah struktur yang hilang. Hamparan berbentuk kipas mencadangkan perubahan varians dengan tahap yang dipasang. Plot kuantil biasa boleh mendedahkan ekor berat atau condong, tetapi ia tidak mendiagnosis kemerdekaan. Untuk data yang dipesan dari semasa ke semasa, plot sisa dalam susunan masa dan pertimbangkan semakan sedar reka bentuk untuk korelasi bersiri. Untuk model hipotesis masa pembaikan, sisa mungkin kecil untuk pembaikan rutin dan lebih besar untuk pembaikan yang kompleks. Itu boleh menunjukkan varians tidak tetap, kerumitan yang diabaikan, atau kedua-duanya. Periksa dahulu sama ada peramal dan ukuran adalah betul; kemudian pertimbangkan hasil yang diubah, min yang dinyatakan dengan lebih baik, ralat piawai yang teguh atau model yang mewakili varians yang berubah. Pilihan ini menjawab masalah yang berbeza dan harus dibenarkan oleh konteks penjanaan data. Sisa yang luar biasa bukan ralat secara automatik. Titik boleh mempunyai baki yang besar, leverage tinggi dalam ruang peramal, atau pengaruh yang besar pada pekali dipasang; ini adalah sifat yang berbeza. Menyiasat rekod dan melaporkan kepekaan terhadap kes yang berpengaruh. Diagnostik ialah bukti untuk memperhalusi model, bukan senarai semak mekanikal yang memperakuinya. Menilai prestasi ramalan pada data yang mencerminkan penggunaan yang dimaksudkan, dan sampaikan baki had.
Penganalisis hipotesis memodelkan penggunaan tenaga bulanan daripada suhu luar. Corak baki berbentuk U mencadangkan kesan suhu garis lurus terlepas kelengkungan; menambah istilah tak linear yang wajar boleh dibandingkan pada bulan yang ditangguhkan.
Pasukan sokongan merancang sisa terhadap masa resolusi yang dipasang. Jika awan sisa melebar daripada kira-kira tambah atau tolak 2 jam kepada tambah atau tolak 10 jam apabila ramalan meningkat, andaian varians malar patut disiasat.
Dalam siri masa hipotesis permintaan harian, sisa kekal positif untuk beberapa hari berturut-turut selepas puncak. Urutan itu menunjukkan pergantungan; perpecahan ujian kereta api rawak boleh menyembunyikan masalah, jadi penilaian harus menghormati susunan masa.
Seorang penyelidik menyemak plot kuantil biasa dan mempengaruhi diagnostik selepas menyesuaikan dengan model statistik. Beberapa perkara yang melampau disiasat untuk ralat dan leverage data; mereka tidak dipadamkan secara automatik hanya kerana mereka menukar anggaran.
Aliran kerja regresi yang berguna boleh mengekalkan plot diagnostik bersama versi model, tetingkap data dan keputusan yang dimaksudkan. Pasukan kemudiannya boleh membandingkan corak sisa merentas masa dan kumpulan yang berkaitan dan bukannya mempercayai satu skor agregat. Apabila pemerhatian berulang atau varians tidak sama timbul, memilih model yang mencerminkan struktur itu boleh meningkatkan anggaran ketidakpastian dan perancangan. Langkah seterusnya adalah untuk menguji sebarang perubahan yang dicadangkan pada data bebas kemudian atau sebaliknya dan menjejaki sama ada tingkah laku bakinya masih boleh diterima. Makluman automatik boleh menunjukkan penganalisis kepada anjakan, manakala semakan manusia masih perlu menentukan sama ada corak mencerminkan isu data, proses yang diubah atau peramal yang hilang.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Regresi linear menerangkan min bersyarat sebagai gabungan linear peramal, tetapi tafsiran yang boleh dipercayai dan anggaran ketidakpastian bergantung pada andaian tentang ralat dan pengumpulan data. Plot sisa membantu mendedahkan kelengkungan, perubahan sebaran, pergantungan dan pemerhatian luar biasa yang boleh disembunyikan oleh statistik muat tunggal.
Keluk sistematik menunjukkan min yang dipasang mungkin terlepas struktur tak linear; ia tidak dengan sendirinya mendiagnosis kebebasan atau kesilapan label.
Hamparan sisa yang melebar ialah tanda visual bahawa varians ralat bersyarat mungkin tidak tetap.
Kuasa dua terkecil mengira pekali daripada kriteria pengoptimuman; normaliti terutamanya menyokong inferens klasik dalam tetapan yang dinyatakan.
Larian ralat tanda yang sama dalam susunan masa boleh menunjukkan pergantungan bersiri atau corak perubahan masa.
Leverage melibatkan konfigurasi peramal, jadi ia boleh menjadi tinggi walaupun bakinya tidak besar.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
Analisis Diskriminasi Linear
Teknikal