Machine LearningMenengahFase D–FE4E6

Linear Regression

Regresi linear mencari satu garis lurus yang paling pas melewati sekumpulan titik data, lalu memakainya untuk memprediksi. Paling pas berarti jarak vertikal (error) dari tiap titik ke garis, dijumlahkan dan dikuadratkan, sekecil mungkin — metode kuadrat terkecil. Setelah garis ketemu, kita bisa menaksir nilai untuk masukan baru. Visualisasi memiringkan garis sampai total error terkecil lalu memprediksi sebuah nilai.

Example use case

Menaksir nilai ujian dari jam belajar, atau memperkirakan harga rumah dari luasnya, berdasarkan pola data yang sudah ada.

Syllabus

Cari garis lurus dengan total jarak-kuadrat ke semua titik terkecil, lalu pakai untuk memprediksi.

Objectives

·Memahami ide garis best-fit
·Menjelaskan error sebagai jarak titik ke garis
·Memakai garis untuk memprediksi nilai baru

How It Works

·Sebar titik data pada bidang (misal jam belajar vs nilai).
·Ukur error = jarak vertikal tiap titik ke garis.
·Miringkan garis sampai total error-kuadrat paling kecil (kuadrat terkecil).
·Pakai garis final untuk memprediksi nilai dari masukan baru.

Prerequisites

·Persamaan garis y = mx + b
·Koordinat dan titik
·Konsep kuadrat dan jumlah

Real-World Uses

·Menaksir nilai ujian dari jam belajar.
·Perkiraan harga rumah dari luas dan lokasi.
·Prediksi tren penjualan dan cuaca.

Complexity O(n) untuk rumus tertutup