為了選出最「好」的擬合直線,迴歸模型需要最佳化某個指標。對於線性迴歸,這個指標稱為「平方和」(sum of squares)。
在儀表板中,試著設定不同的截距與斜率係數。圖中,黑色實線使用的是你指定的截距與斜率。藍色虛線則是對此資料集執行線性迴歸後所得到的截距與斜率。
線性迴歸是如何最佳化平方和這個指標的?
本練習屬於課程
將理論付諸實踐,立即體驗我們的互動練習
把你的線性迴歸技巧擴展到「平行斜率」迴歸,包含一個數值型與一個類別型的解釋變數。這是邁向多元線性迴歸的第一步。
探索解釋變數之間的交互作用。納入交互作用能讓模型更貼近現實,並提升預測能力。你也會處理辛普森悖論:在有多個解釋變數時會出現的非直覺結果。
看看建模(特別是線性迴歸)如何讓你輕鬆處理超過兩個解釋變數。當你熟悉線性迴歸模型的配適後,將親自實作一個線性迴歸演算法。
當前練習
把你的羅吉斯迴歸技巧擴展到多個解釋變數。理解支撐此類迴歸的羅吉斯分配。最後,實作你自己的羅吉斯迴歸演算法。