Aflevering

Inzicht in lineaire regressie (deel 10 van 17) | Machine Learning voor beginners

wordt uitgevoerd met Bea Stollnitz

Machine Learning voor beginners

In deze video helpt Bea Stollnitz, principal Cloud Advocate bij Microsoft, u inzicht te hebben in het concept van lineaire regressie, een fundamenteel machine learning-algoritme. Deze video maakt deel uit van onze serie Machine Learning voor beginners, waar we verschillende machine learning-onderwerpen en hun implementatie behandelen met behulp van Python-code in Jupyter-notebooks.

In deze video leert u het volgende:

  • Wat lineaire regressie is en hoe het werkt
  • De parameters van een lineair regressiemodel interpreteren
  • Het concept van kleinste-kwadratenregressie
  • Hoe lineaire regressie kan worden uitgebreid naar meerdere functies

We beginnen met een eendimensionaal scenario, waarin we één functie x hebben en uitleggen hoe lineaire regressie de beste lijn vindt die de algemene vorm van een cloud met gegevenspunten nadert. We bespreken de concepten van foutminimalisatie en de kleinste-kwadratenmethode. Vervolgens bespreken we kort hoe lineaire regressie kan worden uitgebreid naar meerdere functies.

Aan het einde van deze video hebt u een solide kennis van de kernconcepten achter lineaire regressie, waarbij u voorbereidt op de volgende video in onze reeks, waar we correlatie en het belang ervan bespreken bij het trainen van lineaire regressiemodellen.

Blijf op de hoogte van de volgende video in deze serie, waar we dieper ingaan op verschillende machine learning-onderwerpen en u begeleiden bij hun implementatie met behulp van Python-code in Jupyter-notebooks. Zie je daar!

Hoofdstukken

  • 00:00 - Inleiding
  • 00:13 - Wat is lineaire regressie?
  • 01:10 - Kleinste kwadraten regressie
  • 01:27 - Multidimensionale lineaire regressie voor meerdere functies
  • 01:52 - De wiskundige functie voor 1 dimensionale lineaire regressie

Verbinden

Azure Machine Learning
Python