Привет! 👋Сегодня разберем, что такое линейная регрессия — самый простой алгоритм машинного обучения. Никакой сложной математики, только суть!
Что это?
Линейная регрессия помогает предсказывать числа на основе других чисел. Например:
💰 Стоимость квартиры → от площади, этажа, количества комнат.
⏱ Время доставки пиццы → от расстояния до вашего дома.
Это как провести прямую линию через точки на графике, чтобы найти закономерность.
Как это работает?
1️⃣ Формула:
Прямая линия описывается уравнением:
y = k * x + b
➖x — то, от чего зависит результат (например, площадь квартиры).
➖y — то, что предсказываем (например, цена).
➖k — насколько сильно влияет x на y (например, +50 000 ₽ за каждый м²).
➖b — базовая величина (например, стоимость участка без дома).
2️⃣ Пример:
Допустим, квартиры продаются так:
➖50 м² → 5 млн ₽
➖70 м² → 6 млн ₽
Модель найдет: Цена = 50 000 * Площадь + 2 500 000.
→ Квартира 80 м² будет стоить 6.5 млн ₽.
Как модель учится?
Она подбирает k и b, чтобы ошибки (разница между предсказанием и реальностью) были минимальными.
Простая аналогия:
Представьте, что вы двигаете линейку на графике, пока расстояние от нее до всех точек не станет самым маленьким.
from sklearn.linear_model import LinearRegression
# Данные: площадь квартиры (X) и цена (y)
X = [[50], [70], [90]] # м²
y = [5_000_000, 6_000_000, 7_000_000] # ₽
# Обучаем модель
model = LinearRegression()
model.fit(X, y)
# Предсказываем цену для 80 м²
print(model.predict([[80]])) # Выведет ≈6 500 000 ₽
Итог
✅ Линейная регрессия — это провести линию через данные.
✅ Чем круче линия (k), тем сильнее влияние x на y.
✅ Используйте ее, чтобы предсказывать числа: цены, время, расходы.
#машинное_обучение #данные #анализ #для_новичков
Картинка 1: одна фича
Картинка 2: несколько фич