Doğrusal Regresyon (ML)
Linear Regression as a Machine Learning Model · Ayrıca şöyle bilinir: ordinary least squares regression, OLS, least squares regression, multiple linear regression
Doğrusal regresyon, bir veya daha fazla girdi özelliği ile sürekli sayısal bir sonuç arasındaki doğru-çizgi ilişkisini, tahmin hatalarının kareleri toplamını en aza indirerek uydurur. Bir makine öğrenmesi modeli olarak etiketlenmiş örnekler üzerinde eğitilir ve ayrılmış veriler üzerinde değerlendirilir, bu da onu herhangi bir regresyon görevi için en basit denetimli öğrenme tabanı yapar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sonuç sürekli olduğunda, öngörücüler ve sonuç arasındaki beklenen ilişkinin yaklaşık olarak doğrusal olduğu durumlarda ve yorumlanabilir katsayılara ihtiyaç duyulduğunda doğrusal regresyon kullanın. Daha karmaşık modelleri denemeden önce doğru başlangıç tabanıdır ve varsayımları geçerliyse iyi bir nihai modeldir. İkili veya kategorik sonuçlar için (bunun yerine lojistik regresyon kullanın), güçlü doğrusal olmayan desenler veya etkileşimler baskın olduğunda veya öngörücü sayısı düzenlileştirme olmadan örneklem boyutunu aştığında kullanmayın.
Güçlü yönler & sınırlılıklar
- Katsayılar doğrudan yorumlanabilir: her değer, diğer her şey sabit tutulduğunda, sonucun birimlerindeki marjinal bir etkidir.
- Hesaplama açısından önemsizdir — büyük veri kümelerinde bile neredeyse anında uyar.
- Resmi hipotez testini destekleyen standart hatalar ve p-değerleri sağlar.
- Daha karmaşık modellerin karşılaştırılması gereken vazgeçilmez temel oluşturur.
- Doğrusallık varsayımı geçerliyse iyi çalışır ve tam olarak gerekçelendirilir.
- Öngörücüler çok olduğunda düzenlileştirme uzantılarıyla (Ridge, Lasso, Elastic Net) yüksek uyumluluk gösterir.
- Doğrusal bir ilişki varsayar; manuel olarak kodlanmadıkça eğrileri, eşikleri ve etkileşimleri gözden kaçırır.
- Karesel hatalar aşırı noktaların etkisini artırdığı için aykırı değerlere duyarlıdır.
- Öngörücüler arasındaki çoklu doğrusallık standart hataları şişirir ve katsayı tahminlerini dengesizleştirir.
- Geçerli çıkarım için artıkların yaklaşık olarak normal dağılımlı ve homoskedastik olmasını gerektirir.
SSS
Doğrusal regresyon, lojistik regresyondan nasıl farklıdır?
Doğrusal regresyon sürekli bir sonucu doğrudan tahmin eder. Lojistik regresyon, ikili bir sonucun log-olasılığını modeller ve 0 ile 1 arasında sınırlı olasılıklar üretir. İkili bir sonuç için doğrusal regresyon kullanmak [0, 1] dışı tahminler üretebilir ve sabit varyans varsayımını ihlal eder.
Özelliklerimi standartlaştırmam gerekiyor mu?
Tahminler için standartlaştırma gerekli değildir, ancak özellikler çok farklı ölçeklere sahip olduğunda katsayıları doğrudan karşılaştırılabilir hale getirir. Özellikle Ridge veya Lasso gibi düzenlileştirilmiş varyantlar kullanılırken önerilir.
Örneklem boyutuna göre çok sayıda öngörücü olduğunda nasıl başa çıkarım?
Düzenlileştirilmiş doğrusal regresyona (küçültme için Ridge, seyrek olması için Lasso, her ikisi için Elastic Net) geçin. Öngörücü sayısı gözlem sayısına yaklaştığında veya aştığında OLS güvenilmez veya tanımsız hale gelir.
Hangi artık çizimlerini incelemeliyim?
En azından: (1) doğrusal olmayan veya heteroskedastisiteyi düşündüren desenleri kontrol etmek için uyumlandırılmış değerlere karşı artıklar ve (2) normalliği değerlendirmek için artıkların bir Q-Q çizimi. Bir ölçek-konum çizimi ve kaldıraç/etki istatistikleri (Cook'un mesafesi) de bilgilendiricidir.
Yüksek bir R-kare iyi bir model ilan etmek için yeterli mi?
Hayır. R-kare, örneklem içi uyumu ölçer ve ilgisiz öngörücüler tarafından şişirilebilir. Modelin varsayımlarının karşılandığını doğrulamak için her zaman R-kare ile birlikte çapraz doğrulanmış veya test kümesi RMSE'sini bildirin ve artık tanılamalarını inceleyin.
Kaynaklar
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed., Ch. 3). Springer. ISBN: 978-0-387-84858-7
- James, G., Witten, D., Hastie, T. & Tibshirani, R. (2013). An Introduction to Statistical Learning (Ch. 3). Springer. ISBN: 978-1-4614-7138-7
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Linear Regression as a Machine Learning Model. ScholarGate. https://scholargate.app/tr/machine-learning/linear-regression-ml
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Gradyan ArtırmaMakine öğrenmesi↔ karşılaştır
- Lojistik Regresyon (YZ)Makine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Düzenlileştirilmiş Doğrusal RegresyonMakine öğrenmesi↔ karşılaştır