Lineare Regression und Fitting Methoden

Wie werden lineare Modelle an ihre Daten angepasst? Wie unterscheiden sich Fitting-Methoden zwischen Statistik und ML?

Lineare Modelle sind leistungsstarke Datenmodellierungswerkzeuge, die sowohl in der Statistik als auch im Machine Learning beliebt sind. Wie der Name schon sagt, werden sie verwendet, um die lineare Beziehung zwischen einem Satz von Eingabevariablen X und einer Zielvariable Y zu finden.

Während die Statistik eine deterministische Methode namens Normalgleichung (OLS) verwendet, verwendet das ML eine iterative Methode namens Gradient Descent, um lineare Modelle anzupassen. Tatsächlich bildet der iterative Gradient Descent die Grundlage vieler ML-Modelle, einschließlich komplexer neuronaler Netze.

Der Gradient Descent ist auch ein Eckpfeiler der Prozessautomatisierung, da Modelle kontinuierlich aktualisiert werden können, wenn neue Daten eingehen, und ohne die laufende Bereitstellung zu unterbrechen.

In unserem letzten Beitrag zu linearer Regression haben wir über ihre Verwendung von Regularization-Methoden gesprochen, die Modellen helfen, besser auf neuen Daten zu verallgemeinern.

Im unteren Karussell erklären wir die zwei verschiedenen Fitting-Methoden, die für lineare Modelle in Statistik und ML verwendet werden.